Curso y Ejercicios de Bioestadística

  • 0 0 0
  • Like this paper and download? You can publish your own PDF file online for free in a few minutes! Sign Up
File loading please wait...
Citation preview

curso • •• eJerclclos

ERRNVPHGLFRVRUJ J,R,VIZMANOS Profesor de la asignatura de BIOESTADISTICA de la Facultad de Medicina y del Colegio Universitario Arcos de Jalon de Universidad Complutense de Madrid

R , A SEN S I 0 Profesor de la asignatura de BIOESTADISTICA de la Facultad de Medicina de la universidad Complutense de Madrid

MADRID

1976

~

© Copyright, 1976 J. R. V I ZMANOS R.ASENSIO

Reservados los derechos de edicion, reproduce ion 0 adaptacion para todos los paises

J.R.Vizmanos c/ Melilla, 12 MAD R I D-5 PEDIDOS a: R.Asensio c/ Abtao, 3 MAD R I D-7 Telfs: 2661860 - 2 52 5792

I mplte6 0 e.n £.6 pa.na. - PJu:.nt.e.d ~n S r.>~n

Deposito Legal:M - 31458 - 1976

I.S.B.N.: 84 - 400 - 1804 - 5

CENTRO DE PROMOCION REPROGRAFIC Paseo de las Del icias, 52.MADRID-7

prolege El propos ito de este 1 ibro es ofrecer algunas nociones de Estadistica apl icada a la Medicina y a la Biologia, tratando en to do momenta de presentarlas de la manera mas simple y didactica po­ sible sin perder por ella el debido rigor cientifico. Cad a tema va seguido de una serie de ejercicios totalmen­ te resueltos con el fin de que el alumno ponga en practica los co­ nocimientos adquiridos. Probablemente haya en esta obra algunos errores de calcu­ 10 0

de exposicion por

10

que rogamos nos disculpen, aceptando

gu~

tosamente cuantas indicaciones se nos hagan en este sentido. Finalmente, nos resta expresar nuestro agradecimiento al Dr. Six to Rios, as i como a tan tos companeros que,

conocedores de

nuestro esfuerzo por sacar adeJante el presente I ibro, nos han es­ timulado y prestado su ayuda.

Septiembre 1976

lOS AUTORES

indice de ma.teria.s 1. ESTADISTICA DESCRIPTIVA 1. GENERALIDADES 1. 1 1.2 1 .3 1.4 1.5 1.6 1.7 1.8 1.9

Poblacion . . . . . . . . . . . . . . . . . . . . . . • . • . . . . . . . • . . . . . . . • . . . . Unidades estadisticas 0 individuos . . . . . . . . • . . . . . . . . . . . Muestra ...............••....•.••.. _. . . . . . . . . . . . . . . . . . . Caracteres y modalidades .........•..........•.......•. Caracteres estadisticos cualitativos •..•.....•.....••. Caracteres estadisticos cuantitativos Variables estadisticas Variables estadisticas discretas Variables estadlsticas contlnuas . . . . . . . . . . . . . . . . . . • . . .

1

1

1

2

2

2

2

3

3

2. DISTRIBUCIONES ESTADISTlCAS DE UN CARACTER 2.1 Tablas estadlsticas .......•...•..•.......••.....•..... 3

2.2 Tratamiento de la informacion ...•••....•.............. 5

2.3 Representaciones graficas . • . . . . . . . . . . . . • . . . . . . . . . . . . . . 7

2.3.1 Diagrama de barras 8

2.3.2 Diagrama de sectores 8

2.3.3 Pictogramas 9

2.3.4 Histogramas ..•..............•.•................• 9

2.3.5 Pollgono de frecuencias •..•..................•.. 10

2.3.6 Diagramas lineales •.•..•....•................... 10

2.3.7 Otras representaciones ••.........•.......•..•... 11

3. MEDIDAS DE CENTRALIZACION 3.1 3.2 3.3 3.4 3.5 3.6 3.7

Media aritmetica ......•.•....•......•................. Media geometrica . . . . . . . . • . . . . • . . . . . . . . . . . . . . . . . . . . . . . . Media cuadratica . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . Media armonlca Relacion entre estas medias Mediana Cuartiles . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11

12

12

1 3

13

1 3

14

3.8 Deciles y percentiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . • . 15

3.9 Moda . . • . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . • . • . . . . . . 15

3.10 Relacion emplrica entre media, mediana y moda 16

4. MEDIDAS DE DISPERSION 4.1 4.2 4.3 4.4 4.5 4.6 4.7 4.8 4.9

Recorrido . . . • . . . . . • • . . • . . . • . . . . . . . . . • . . . . . . • . . . . . . . . . . Recorrido intercuartllico •..•....••.••..•............. Desviacion media .•..•.•......•.....•..•....••.....•... Desviacion tlpica ..••..••..•.•.....••..•..........•... Varianza •.....•.......•...•..••••..•..•.••.••.....•... Coeficiente de variacion •...••...••................... Momentos respecto al origen . . • . . . . . . . . . . . . . . . . . . . . . . . . Momentos respecto a la media . . . . . . • . . . . . . . . . . . . . . . . • . . Relacion entre ambos momentos . . . . . . . . • . . . . . . . . . . . . . . . .

16

16

17

17

18

18

18

18

19

5. MEDIDAS DE FORMA 5.1 Sesgo •.•••....••........•...••...•.....•.....•........ 20

5.2 Coeficiente de asimetrla ....•..•......•.......•......• 20

5.3 Coeficiente de curtosis • . . . . . . . • . . . . . . . . . . . . . . • . . . . . . • 21

PROBLEMAS RESUELTOS

22

2. PROBABILIDADES 1. ALGEBRA DE SUCESOS 1.1 Experimento aleatorio . . • . . . . . . . • . . . . . . . . . . . . . . . . . . • . . . 1.2 Espacio muestral ........••..•.....••••.•......•....... 1.3 Suceso . . . . . . . . . . . . . . . . . . . . . . . • . . . . • • . . . . . . . . . . . . . . • . . . 1 .3. 1 Sucesos elementales . . . . . . • • . . . . . . . . . . . . . . . . . . . . • 1 .3.2 Sucesos compuestos . . . . . . . . • . . . . . • . . . . . . . . . . . . . • . 1 . 3. 3 Suceso seguro . . . . . . . . . . . . . • . . . . . . • • . . . . . . . . . . . . . 1.3.4 Suceso contrario . . . . . . . . . . • . . . . . . . . . . . . . . . . . • . . . 1.3.5 Suceso imposible . . . . . . . . . . . . . . . . . . . . . . . . . • . . • . . • 1.4 Inclusion de sucesos .....•......••...•..•..•.......... 1 .5 Igualdad de sucesos . . . . . . • . . . . . . . . . . • . . . . • . . . . . . . . . . . . 1.6 Operaciones con sucesos . . . . . . . . . . . • . . • . . . . • . . • . . . . . . . . 1.6.1 Union de sucesos ...•.•...••.....•..........•.... 1.6.2 Interseccion de sucesos • • . . . . . . . . . . . . . . . . . . • . . . . 1.6.3 Diferencia de sucesos ......•...•.•.•............ 1 .7 Sistema completo de sucesos •.•....•..•...••..•...•.... 1.8 Algebra de Boole de los sucesos aleatorios 1.8.1 Consecuencias del Algebra de Boole

43

43

43

44

44

44

44

44

44

44

45

45

45

46

46

46

46

2. FRECUENCIA Y PROBABILIDAD 2.1 2.2 2.3 2.4 2.5 2.6 2.7

Frecuencia absoluta de un suceso . . . . . . • . . . . . . . . . . . . . . . Frecuencia relati va de un suceso . . . . . . . . . . • . . . . . . . . . . . Propiedades de las frecuencias . . . . . • . . . . . . . . . . . . . . . . . . Definicion clasica de probabilidad . . . . • . . . . . . • . . . . . . . . Definicion axiomatica de probabilidad . . . . . . . . . . • . . . . . . Consecuencias de los axiomas ..••••..•.••..•..•........ Espacio probabillstico •..•.....•..•...•.••......•.....

47

47

47

48

49

49

50

3. PROBABILIDAD CONDICIONADA 3.1 Probabilidad condicionada .....••..•.....•.......... '" 50

3.2 Sucesos dependientes e independientes . . . . . . . • . . . . . . . . . 52

3.3 Teorema de la probabilidad compuesta . • . . . . . . . . . . . . . . . . 52

3.4 Aplicacion a los esquemas de contagio y campanas de seguridad 3.5 Teorema de las probabilidades totales 3.6 Teorema ae Bayes

53

54

54

PROBLEMAS RESUELTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 55

3. DISTRIBUCIONES DISCRETAS 1. GENERALIDADES 1 . 1 Variable aleator ia . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 Variable aleatoria discreta 1 . 3 Ley de probabi lidad . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . 1 .4 Funcion de distribucion 1.5 Propiedades de la funcion de distribucion 1.6 Esperanza matematica de una variable aleatoria discreta. 1.7 Propiedades de la esperanza matematica 1 .8 Momentos respecto al origen 1 .9 Momentos respecto a la media . • . . . . . . . . . . . . . . . . . . . . . . . 1.10 Relacion entre ambos momentos •.......................

71

71

71

72

72

72

73

75

75

75

2. DISTRIBUCION BINOMIAL 2. 1 Introduccion . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Definicion 2.3 Ley de probabilidad . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . 2.4 Funcion de distribucion . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.5 Caracteristicas estadisticas . . . . . . . . • . . . . . . . . . . . . . . . . 2.6 Aplicacion de la distribucion binomial a la herencia

biologica . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.7 Ajuste de una distribucion empirica por una distribu­ cion binomial

76

76

77

77

78

78

79

3. DISTRIBUCION HIPERGEOMETRICA 3.1 Introduccion . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . ,. 3.2 Definicion 3.3 Funcion de distribucion . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . 3.4 Caracteristicas estadisticas 3.5 Convergencia de la distribucion hipergeometrica a la

distribucion binomial ....•......•.................... ~.

79

80

81

81

81

DISTRIBUCION DE POISSON

4.1 Introduccion 4.2 Definicion 4.3 La distribucion de Poisson como limite de la distribu­ cion binomial . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . 4.4 Funcion de probabilidad 4.5 Funcion de distribucion 4.6 Caracteristicas estadisticas 4.7 Ajuste de una distribucion empirica por una distribu­ cion de Poisson

82

83

83

84

85

85

86

PROBLEMAS RESUELTOS ... . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. 86

4. DISTRIBUCIONES CONTINUAS 1. GENERALIDADES 1.1 Variable aleatoria continua 1 .2 Funcion de dens idad

105

105

1.3 Funci6n de distribucion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . • 105

1.4 Propiedades de la funcion de distribucion 106

1.5 Esperanza matematica de una variable aleatoria

continua 107

1.6 Propiedades de la esperanza matematica 107

1.7 Momentos respecto al origen 107

1.8 Momentos respecto a la media 108

1.9 Relacion entre ambos momentos 108

1. 10 Teorema de Tchebycheff 109

2. DISTRIBUCION NORMAL 2.1 Definicion 2.2 Funcion de densidad 2.3 Funcion de distribucion 2.4 Tipificacion de la variable 2.5 Problema relacionado con la normal 2.6 Caracteristicas estadisticas 2.7 Ajuste de una distribucion empirica mediante la

distribucion normal

110

110

110

112

112

113

113

2.8 La distribucion normal como limite de la distribucion

binomial

114

2

3. DISTRIBUCION X DE PEARSON

3.1 La funcion r 3.2 Propiedades de 1a funcion r . . . . . . . . . . . . . . . . . . . . . . . . . .. 3.3 Distribucion X2 . Definicion 3. 4 Funcion de densidad 3.5 Funci6n de distribucion 3.6 Caracteristicas estadisticas 3. 7 Teorema de la adicion 3.8 Aplicacion de la X2 para estimaciones y contrastes

acerca de la varianza

114

114

115

115

116

116

117

117

4. DISTRIBUCION t DE STUDENT 4.1 4.2 4.3 4.4

Definicion Funcion de Funci6n de Aplicacion contrastes

117

densidad 117

distribucion . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . 118

de la t de Student para estimaciones y

acerca de la media 118

5. DISTRIBUCION F DE FISHER-SNEDECOR 5.1 5.2 5.3 5.4

Definicion Funci6n de densidad Funcion de distribucion Aplicacion de la F de Fisher-Snedecor a1 contraste

de comparacion de varianzas

PROBLEMAS RESUELTOS

5.

119

119

119

119

120

REGRESION Y CORRELACION 1. GENERALIDADES 1.1 Variables estadisticas bidimensionales 1.2 Diagrama de dispersion . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . 1.3 Tipos de tablas de frecuencias bidimensionales .•...... 1.4 Distribuciones marginales .......•......•..•..........

141

141

142

143

1.5 Distribuciones condicionadas 144

1.6 Momentos bidimensionales respecto al origen 145

1.7 Momentos bidimensionales respecto a la media ...•..... 146

1.8 Relacion entre ambos momentos 148

2. REGRESION 2.1 Concepto general de regresion • . . . . . . . . . . . . . . . . . • . . . . . 2.2 Ajuste de una linea de regresion a un diagrama de

dispersion . . . . . . . . . . . . . . . . . . . . • . . . . . • . . . . . . . . . . . . . . . . 2.3 Distintos tipos de curvas para realizar el ajuste .... 2.4 Metodo de minimos cuadrados -. . . . . . . . . . . . .. 2.5 Regresion lineal minimo-cuadratica . . . . . . . • . . . . . . . . . . . 2.6 Regresion parabolica minimo-cuadratica . . . . . . . . • . . . . . .

148

149

149

150

151

153

3. CORRELAC!ON 3.1 3.2 3.3 3.4 3.5

Concepto general de correlacion . . . . • . . • . . . . . . . . . . . . . . Dependencia aleatoria .•..•..•.••.•................... Dependencia funcional . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . • Coeficiente de correlacion lineal . • . . . . . . . . . . . . . . . . . . Invariancia del coeficiente de correlacion lineal

ante un cambio de variable 3.6 Estudio del valor del coeficiente de correlacion

lineal a partir de la varianza residual

PROBLEMAS RESUELTOS

154

154

155

155

155

156

158

6. ESTIHACION DE PARAMETROS 1. INTRODUCCION

177

2. DEFINICIONES 2.1 Estimador • . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 Estimacion . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.3 Estimador por punto 2.4 Estimacion puntual 2.5 Estimador por intervalo . • . . . . . • . . • . . . . . . . . . . . . . . . . . . . 2.6 Estimacion por intervalo 2.7 Coefic~ente de confianza 2.8 Bondad de un estimador puntual . . . • . . . . . . . . . . . . . . . . . . . 2.9 Bondad de un estimador por intervale

178

178

178

178

178

178

178

179

179

3. ESTlMADORES POR PUNTO MAS USUALES 3.1 Estimador del parametro p de la distribucion binomial 3.2 Estimador del parametro A de la distribucion de

Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . • . . . . . . . . . . . . . . . . . 3.3 Estimador del parametro ~ de la distribucion normal .. 3.4 Estimador del parametro alde la distribucion normal ..

179

180

180

180

4. DISTRIBUCION EN EL MUESTREO DE ESTOS ESTlMADORES 4.1 4.2 4.3 4.4

Distribucion Distribucion Distribuc ion Distribucion

en en en en

el el el el

rnuestreo muestreo muestreo muestreo

a

de dei de de {jl •••••••.••....••.••.•

fl

181

181

181

182

5. DISTRIBUCIONES ASOCIADAS AL ESTUDIO DE DOS POBLA­ ClONES NORMALES E INDEPENDIENTES 5.1 Distribucion de la diferencia de medias con desviaciones

tipicas conocidas • . . • . . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . 182

5.2 Distribucion de la diferencia de medias con desviaciones

tlpicas desconocidas 182

5.2.1 Muestras de tama~o grande 183

5.2.2 Muestras de tama~o peque~o 183

5.2.2.1 Desviaciones tlpicas desconocidas perc

iguales 183

5.2.2.2 Desviaciones tlpicas desconocidas

y distintas . . . . • . . . . . . . . . . . . . . • . . . . . . . 183

5.3 Distribucion de la razon de varianzas 184

6. CONSTRUCCION DE INTERVALOS DE CONFIANZA 6.1 Intervalo de confianza para la media ~ de una poblacion

normal 185

6.1.1 q conocida 185

6.1 .2 q desconocida . . . . . . . . . . . • . . • . . . . . . . . • . . . . . . . . . 186

6.1.2.1 Muestras grandes , 186

6.1.2.2 Muestras peque~as 186

6.2 Intervalo de confianza para la varianza qlde una

poblacion normal 187

6.3 Intervalo para la desviacion tlpica q de una poblacion

normal 187

6.4 Intervalo de confianza para la diferencia de medias

~'-~2 de dos poblaciones normales 187

6.4.1 Desviaciones tlpicas conocidas ....•........... 187

6.4.2 Desviaciones tlpicas desconocidas 188

6.4.2.1 Muestras grandes 188

6.4.2.2 Muestras pequenas •.....•.............. 189

6.4.2.2.1 Desviaciones tlpicas descono­ cidas perc iguales 189

6.4.2.2.2 Desviaciones tlpicas distintas

y desconocidas 190

6.5 Intervalo de confianza para la razon de varianzas de

dos poblaciones normales 190

6.6 Intorvalo de confianza para el parametro p de una dis­ tr ibucion binomial 191

6.7 Intervalo de confianza para la diferencia entre los pa­ rametros p y p de dos distribuciones binomiales 192

1 2

PROBLEMAS RESUELTOS

192

7. CONTRASTE DE HIPOTESIS 1. INTRODUCCION

211

2. DEFINICIONES 2.1 Contraste de hipotesis . 2.2 Hipotesis nula H . 2.3 Hipotesis de alt~rnativa H . 2.4 Estadlstico del contraste ~ . 2.5 Region erl tiea . . . . . . . . . . • . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.6 Region de aceptacion . 2.7 Error de tipo I . 2.8 Error de tipo II . 2.9 Nivel de significacion a . 210Potencia de un contraste . . 2.11 Contraste bilateral 2.12 Contraste unilateral .

212

212

212

212

212

212

212

212

212

213

213

213

3. FORMULAS PARA LOS CONTRASTES 3.1 Contraste de la media de una poblacion normal cuando se

conoce la varianza poblacional . 3.1.1 Contrastc bilateral . 3.1.2 Contraste unilateral . 3.1.2.1 Hipotcsis nul a H : ,,~"O . 0 . ~. 3.1 .2. 2 Hlpotesls nula H : !J~"O . 3.2 Contraste de la media de una pgblacion normal cuando no

se conoce la varianza . 3.2.1 Muestras pequenas . 3.2.1.1 Contraste bilateral . . . . . . . . . . • . . . . . . . . . . 3.2.1.2 Contraste unilateral . 3.2.1.2.1 Hipotesis nula H : ",,;::"0 . o """

3.2.1 .2.2 Hipotesis nula H : "~,, 3.2.2 Muestras grandes ..•...........••. ~ . 3.2.2.1 Contraste bilateral . 3.2.2.2 Contraste unilateral . 3.2.2.2.1 Hipotesis nula H : "~"O . O 3.2.2.2.2 Hipotesis nul a H : "~"O '. 3.3 Contraste para la varianza de una poblac~on normal . 3.3.1 Contraste bilateral . . . . . . . . . . . . . . . . . . . . . . . . . . • . . 3.3.2 Contraste unilateral . 3.3.2.1 Hipotesis nula H : 02-.t!tlUlt U h,lJ.,t.ogJtama de. 6lte.c.u.e.nuM ItUa..:t{.VM ac.u.mu.tadM.

e.) PoUgono de. 6lte.c.u.e.nuM ItUa..:t{.VM ac.u.mu.tadM.

SOL U C ION: a) Tabla de frecuencias:

25

ESTADISTICA DESCRIPTIVA

El rango es 34,2 - 29,6

=

4,6. Agruparemos los datos en cinco cIa

ses de 1 em de amplitud cada una, siendo el limite inferior real de la primera 29,5 y el superior real de la ultima 34,5 limites reales 29,5 30,5 31,5 32·,5 33,5

-

30,5 31,5 32,5 33,5 34,5

b) HisLograma de frecuencias relativas:

h.

recuento

f.

IIIII IIIIIIIIII IIIIIII/IIIIII IIIIIIIIIIIIIIII IIIII

5 10 14 16 5

H.

h.

l

l

l

0,1 0,3 0,58 0,90 1,00

0,1 0,2 0,28 0,32 0,1

c) Poligono de frecuencias relativas:

h.

I

I

30

31

32

33

34

X. I

30

31

32

33

34 X. I

d) Histograma de frecuencias acumuladas:

e) Poligono de frecuencias acumuladas:

H.

H.

I

I

30

31

32

33

34

A. I

****************

26

J.R.VIZMANOS - R.ASENSIO

1.4

U. YlUmeJ!.O de. ac.u.de.YLte..o moJrXMe.J.> d..i.aJUOf.> e.Yl UYla gMYl u.udad e.Yl Ylue.ve. diah haYl ~~do: 6, 4, 8, 1, 5, 3, 3, 7, 2. a) Ha..e.laJl. ta me.d..i.a aJU.;tmWc.a. b) Ha..e.laJl. ta me.d..i.a ge.omUMc.a. c.) Ha..e.laJl. ta me.d..i.a c.ua~c.a. d) Ha..e.laJl. ta me.d..i.a aJl.mO ~c.a . e.) Re..f.au.oYl e.nt!l.e. e.J.>tM me.d..i.M.

SOL U C ION:

a)

Media aritmetica:

39

x =

N

­ x '" 4,33

4,333;

5

1/N b)

Media geornetrica:

=

G

=

tornando logaritmos, resulta: log G + log x n )

log G

+L

=

5,08263

=

9

log xi

tomando antilogaritrnos resulta: G

=

antilg 0,56473

3,67054

G '" 3,67

c)

Media cuadratica: Q

:~

X~ +

X

2

2

.

+

.. +

N

4,86

1

2

x.

log xi

x.



1 2 3 3 4 5 6 7 8

0,00000 0,30103 0,47712 0,47712 0,60206 0,69897 0,77815 0,84509 0,90309

1 4 9 9 16 25 36 49 64

1,000 0,500 0,333 0,333 0,250 0,200 0,166 0,142 0,125

39

5,08263

213

3,049

:~L:~ :~2;3

2 + x n

Q '"

d)

= l

0,56473

(x 1 ·x 2 ••• .x n )

X.

l

l

I

=4,86

I'

Media arrnonica: H

N

N

.

H '"

+

9

3,049 x

n

2,951

~

2,95

ESTADISTICA DESCRIPTIVA

27

e) Relacion entre estas medias: Como

x'" 4,33;

Q '" 4,86;

G'" 3,67;

H '" 2,95.

Se tiene que

H < G < x < Q

*******************

1.5

U. rtUmeJl.O de - 0 y sea B un suceso cualquiera I

para el que se conocen las probabil idades condicionadas p(B/A.) I que 1lama remos

veJl.oJ.>~u.de;.,.

En estas condiciones, el teorema de Bayes establece que las pro­ babil idades p(A./B), vienen dadas por la siguicnte expresion:

I

p (A. ) . p (B/A. )

p(A.lB) I

I

I

n.

'"

L

p(A.).p(B/A.) I

i=1

A las probabil idades

I

p(A.) se las I lama

a p~o~, y a las probabil idades tidade;., a pOJ.>~~o~.

I

p~obab~dade;.,

p(A./B), se las 1lama I

p~obab~

PROBABILIDADES

Demostraccion:

55

Por definicion de probabil idad condicionada, se

ver i fica: p(A. n B)

p(A.) .p(BfA.) I

I

I

p(B) .p(A.lB), de donde:

=

I

P (A. ) . P ( BfA. ) I

P (A.lB)

I

[1]

I

P(B) Ahora bien, como p(B) por el teorema anterior, es igual a la siguiente expresion: p(B) = Sustituyendo

[2]

[1]

en

~ L.J p(A.).p(BfA.) I I

[2]

,resulta: p (A. ) . p (BfA. ) I

P (A .IB) I

I

~ L.J p(A.).p(BfA.) I I

c. q. d.

**********************

PROBLEMAS RESLIELTOS 2.1 to M Yl

1°)

PnobaA que J.J-an un plLomedúI de 50% de eniÍeNnOJ., c.on blLonq~, 30% c.on ne!!:. mo rúa lj 20% c.o 11 g/upe. La pILO bab,{L¿dad de c.UlLau6 n c.ompf.e.ta de c.a­ da una. de. e/.>.ta~ en6eNnedade/.> e/.> !te/.> pec..t;.vamen.te 0,7 j O , gj lj 0,9. Ü/1 en6eNno ;.n.te.l1.nado en el. hOJ.,p~ ha údo dado de afx.a ­ c.ompf.e..tamen.te !.lano. HaUM f.o. pMbab~dad de que el. en6eNno dado de illa, ;'ng!te/.>a.Jta c.on bMYlq~.

s

O L U

e

ION:

Representemos por A , A , A3 a los siguientes sucesos: 1 2 "el enfermo ingresa padeciendo bronquitis" Al A 2

"el enfermo ingre sa padeciendo ne\.UTIonía"

A3

"el enfermo ingresa padeciendo gripe"

siendo sus probabilidade s los siguientes valores:

0,2.

Sea C el suceso "el paciente

cura~

También conocemos las siguientes probabilidades:

Deseamos saber la probabilidad de que el enfermo ingresara con bron

quitis condicionado a que ha sido dado de alta Es decir:

p(Al/C).

Aplicando el teorema de Bayes

resulta:

totalmente curado.

PROBABILIDADES

65

0,5.0,7 0,5.0,7 + 0,3.0,8 + 0,2.0,9

= 0,4545.

**********************

h

2.13

Una. en6eAmedad puede .6elt pltOduuda pOlt .tJLe.6 v,()w..6 A, B Ij C. En un R..abo/taXo'Úo .6e .t{.ell.eH .tJLe.6 tubo.6 con v-ÚtU.6 A, d0.6 con eR.. v,()w..6 B Ij unco con eR.. v-ÚtU.6 C. La pltobab~dad de que eR.. v-ÚtU.6 A pltoduzca R..a en6eromedad e.6 1/3, que R..a pJtoduzca eR.. v-ÚtU.6 B e.6 2/3 Ij que R..a pitO duz ca eR.. v-ÚtU.6 C ~~ 1/ 7. ­ Se ~nocuR..a un V~!tU.6 a un a~aR.. Ij contJtae R..a en6eAmedad. ¿Cu.á.t e.6 R..a pltObab.uA_dad de. que. eR.. v-ÚtU.6 que .6e ~nocuR..6 6u~a e-t C?

s

O L U

e

ION:

Si representamos Tendremos:

o r E al suceso "el animal contrae la enfermedad".

p (A) p (E/

)

3/10

p(B)

1/3

Queremos calcular

p(E/B)

2/10 2/3

p (e)

p(E/e)

5/10 1/7

p(e/E). Aplicando el teorema de Bayes, re­

sulta: p(C)p(E/C) P (C/E)

p(A)p(E/A) + p(B)p(E/B) + p(C)p(E/C) 5 1 10 7 3

1

2

2

10

3

10 3

---+--+

5

1

0,304.

10 7

**********************

2.14

En una pobR..au611 lj en un dUeJ!Jn{.nado momen..to, .6e conocen que W t útMv~duo tenga R..M en6eAmedade.6 A, B Ij C .6 ¿endo e~tM R..M .6~gMen..te.6: p(A] = 0,02 p(B] = ,05 p(C] = 0,03 p(S] = 0,9 Colt.6~d~em0.6 un ,~ l, toma , lte¡y!.v,erLtado pOlt eR.. úmboR..o &. LM pltobab~dade.6 de que .6e ):J!tM en.te. cüc.ho .6Intoma en cada CMO an..touolt .6On: p{&/A] = 0,99 p(&/B]' = 0,4 p(&/C] = 0,1 )?(& / S] = 0,01 Ex.~nando a un ~ncüv~du(),~ e o b~ ~va que plte.6 en..ta eR.. cJ.;ta­ pltObab~dade.6 de Ij de que e.6t~ .6 ano ,

R..M

66

J.R.VIZMANOS - R.ASENSIO

--------------~--~--------

do .6,¿rLtoma &. Se de..6 ea c.aic.ulaJt: 1°)

s

p(A/&);

O L U

e

2°)

4 0)

p(B/&);

p(S/&)

ION:

Corno tenernos todos los datos directamente en el enunciado, carernos el

teore~a

apl,~,

de Bayes.

0,02.0,99 + 0,05.0,4 + 0,03.0,1 + 0,9.0,01

0,382.

p(B/&)

0,05.0,4 0,02.0,99 + 0,05.0,4 +0,03.0,1 + 0,9.0,01

0,386.

3°)

p(C/&)

0,03.0,1 0,02.0,99 + 0,05.0,4 + 0,03.0,1 + 0,9.0,01

0,057.

4 0)

p(S/&)

0,9.0,01 0,02.0,99 + 0,05.0,4 +0,03.0,1 + 0,9.0,01

0,173

P)

p(A/&)

2° )

= 0,02.0,99

**********************

2.15

En una dueJVrlinada e..6 peue .6 e ha o b.6 eJtvado que de padJte..6 c.on oj0.6 O.6c.UJto.6 nac.en luj0.6 de ojO.6 0.6C.W10.6 en u 5% de J!.0.6 C.CL60.6, e lujo.6 C.OI1 oj0.6 daJto.6 en u 8% de J!.0.6 C.CL60.6. Vu mi.6mo modo .6e ha ob.6e.Jtvado que de padJte..6 c.on ojO.6 c.J!.aJt0.6 l1ac.en hijo.6 c.on ojO.6 O.6c.u­ Jt0.6 el1 U 9% de J!.0.6 c.CL60.6 e luj0.6 c.on ojO.6 daJto.6 U 78% de J!.0.6 c.a­ .6 0.6. E.6tabJ!.ec.e.Jt J!.CL6 Jtuauo ne..6 que ewten entJte u c.oJ!.oJt de J!.0.6 ojO.6 du padJte Ij du hijo de J!.a c.itada e..6peue.

s OL Ue

hijos

ION:

¡

padres oscuros

oscuros B

-

claros B

A

claros

0,05

0,09

0,08

0,78

-

A

Calculemos las siguientes probabilidades condicionadas:

1°) Probabilidad de que e l hijo tenga ojos oscuros

condicionada a

que el padre también los tenga. p(B/A)

n B) = P (Ap(A)

0,05 p (A n B) + P (A n 13')

0,05 0,05+0,08

0,3 9 .

PROBABILIDADES

2°)

67

Probabilidad de que el hijo tenga ojos claros, condicionada a que el padre los tenga oscuros. p(B/A)

3°)

=

1 - p(B/A)

=

=

1 - 0,39

0,61

Probabilidad de que el hijo tenga ojos oscuros, condicionada a que el padre tenga los ojos claros. p(B/A)

4°)

p(AnB) p(A)

0,09

0,09 0,09 + 0,78

p(A n B)+p(AnB)

Probabilidad de que el hijo tenga ojos

claros

si el padre los

tiene también claros. p(B/A) = 1 - p(B/A)

1 - 0,103

******************

0,103.

0,897

3- distribuciones discretCLs 1.

GENERALIDADES 1.1 Variable aleatoria

1.2 Variab le aleatoria discreta

1.3 Ley de probabilidad

1.4 Función de distribución

1.5 Prop iedades de la función de distribución

1.6 Esperanza matemática de una variable alea

toria discreta

1.7 Propiedades de la esperanza matemática

1.8 Momentos respecto al origen

1.9 Momentos respecto a la media

1.1 0 Re lación entre ambos momentos

2.

DISTRIBUCION BINOMIAL 2. 1 Introducción 2.2 2.3 2.4 2.5 2.6

Definición

Ley de probabilidad

Función de distribución

Características estadísticas

Aplicación de la distribución binomial a

la here~cia biológica

2.7 Ajuste de una distribución empírica por una

distribución binomial

3.

DISTRIBOCION HIPERGEOMETRlCA 3.1 Introducción

3.2 Definición

3.3 Función de distribución

3.4 Características estadísticas

3.5 Convergencia de la distribucion hipergeome

trica a la distribución binomial

4.

DISTRIBUCION DE POISSON 4.1 Introducción

4.2 Definición

4.3 La distribución de Poisson como limite de

la distribucion binomial

4.4 Función de probabilidad

4.5 Función de distribución

4.6 Características estadísticas

4.7 Ajuste de una distribución empírica por una

distribución de Poisson

3 - OISTRIBt1CIONE'S

DISCRETAS 1. GENERALIDADES 1.1 VARIABLE ALEATORIA.- En un espacio probabilístico (E,A,p), ll~

maremos

v~vÚÁbte ateato~a,y

representaremos por X, a una fun­

ción del conjunto de los sucesos elementales de un experimento aleatorio en el cuerpo de los números reales. De tal forma que dado un número real cualquiera x, si consideramos el conjunto de todos los sucesos elementales, pa­ ra los que la función X toma valores menores o iguales a x, ese conjunto ha de ser un suceso del algebra A. 1.2 VARIABLE ALEATORIA DISCRETA.- Se dice que una variable aleato­ ria es

~~eta,

cuando el conjunto imagen de la función X,es

un subconjunto de IR finito o infinito numerable. NOTA:

~

Se cüc.e que un c.onjun:to v., - peJtanza maiemctt:,¿c.a, valoJt eJ.> peJtado,

U

mecüa

de la variable aleatoria discreta X, a la suma de la serie:

...

DISTRIBUCIONES DISCRETAS

73 n

E[X]

=

Lp.x. i=l

I

I

1.7 PROPIEDADES DE LA ESPERANZA MATEMATICA.­ la)

La esperanza matemáti~a de una constante es igual a el la misma. Es decir:

E[c] =c

- En efecto, ya que la constante c, se considera como una variable aleatoria discreta que tiene un solo valor posl ble c y lo toma con probabil idad 1. Por tanto:

E [c]

= c.1 = c.

a

2 ) La esperanza matemática de la suma de dos variables alea torias es igual a la suma de las esperanzas matemáticas de los sumandos. Es decir:

E [X +

v]

= E [X] + E [V]

- En efecto, pues sean X e V las variables aleatorias dis­ cretas, dadas por las siguientes leyes de probabil idad. X

V

p

p'

Al construir la nueva variable

p'

p'

1

2

X + Y, tendra la siguiente

ley de probabil idad: X+ V

x 1+Y1

x 1+Y2

x 2+Y1

x 2+Y2

p'"

Pll

P 12

P21

P22

Entonces la esperanza de E [X + V]

X + V, será:

(x 1+Y1)P 11 + (x 1+Y2)P 12 + (x2+Y1)P21+(x2+Y2)P22=

por el teorema de adición, tenemos : P 1 l+P 12 = P 1 Pll+P21 = pi E [X + V]

l

xlPl+x2P2+Y1P'+Y2P2

P21+ P22

P2

P12+ P22

p' 2

E[X] + E[V] .

74

J.R.VIZMANOS - R.ASENSIO

a Observación.- Para la demostracción de esta propiedad 2 )

hemos supuesto únicamente dos valores posibles para cada

una de las variables. Análogamente se demostraría para más

valores.

General izando la propiedad anterior se tiene:

3a ) La esperanza matemática del producto de una constante por una variable aleatoria es igual al producto de la constan te por la esperanza de la variable. Es decir:

E [cX]

= c E [ X]

- En efecto, ya que: E [cX] = LC xi Pi = cLX i Pi = c E[X] a 4 ) La esperanza matemática del producto de dos variables alea torias independientes es igual al producto de sus esperan­ zas matemáticas Es decir:

E[X.V]

E[X].E[V]

- Supongamos dos variables X e V con leyes de probabil idad a como las vistds para la demostracción de la propiedad 2 ). X

V

p

pI

pI

¡

pI

2

Al construir la nueva variable X. V, tend rá la siguiente ley de probabil idad: X

V p,',

x¡ . Y¡

x¡Y2

x2 Y¡

x2 Y2

p ¡ . p;

P¡P2

P2 P;

P2 P2

Entonces la esperanza de X.V, será: E,[ X. v]

x¡y¡p¡Pi+x¡Y2P¡P2+x2Y¡P2P,+x2Y2P2P2 Y¡p; (x¡P¡+x 2 P2) + Y2 P2(x¡P¡+x 2 P2) =(x¡P¡+x 2 P2) (Y¡P,+Y 2 P2) = E [X].E [V].

General izando para un número arbitrario de variables alea

DISTRIBUCIONES DISCRETAS

75

torias independientes, tendremos: E[X 1X2 · . . . . Xn ]

E[X 1]

=

E[x 2 ]·

. . . . EIX n ]

1.8 MOMENTOS RESPETO AL ORIGEN.- Llamaremos momento de oftden ft ftU> pecio al o~gen de la variable aleatoria X, y representaremos por

a r , a la esperanza matemáticadeX r . Es decir: En el caso de variable aleatoria discreta, tendremos: r a E [ X ] = 2"' x.rI p. r I De lo que se deduce: al = E ! X ] = ¿ x.I p.I Es decir, la esperanza matemática coincide con el momen

to de primer orden respecto al origen, que de ahora en adelante llamaremos media poblacional y representaremos por

~.

1.9 MOMENTOS RESPECTO A LA MEDIA.- Llamaremos momento ftu>pecto ata media o momento centJtal de oftden ft de la variable aleatoria X y representaremos por ~r' a la esperanza matemática de (X - ( 1 )r.

~r

Es decir:

=

E [( X - al) r

J

Para el caso de variable aleatoria discreta, tendremos:

L

~r =

Del

E[(X - Ct 1 )rJ = (xi - Ct 1 )r Pi mismo modo a como vimos en Estadística Descripti­

va el momento de primer orden es nulo, ya que: ~1

= E ! X] -

=E[X-a] 1

E ! al]

al

- al

O

El momento de segundo orden es igual a la varianza. Es decir:

~2

E [(X - al) 2J =

L

(x. - a ) I

1

2

p.I

= a2

También se suele expresar por:

a

2

= V[ X

1

2 = D [ X

l.

1.10 RELACION ENTRE AMBOS MOMENTOS.­

~r

E [(X - ( 1)r] a r -

(~)

=

E [x

r

-

al a r - 1 + (;)

(~) xr - 1 a~

al +

a r- 2 -.

(~) xr - 2 a~.±

a~

... ±

a~J =

76

J.R.VIZMANOS - R.ASENSIO

Esta expresión nos permite pasar de los momentos respecto al origen a los momentos centrales. Como caso particular, para la varianza tendremos: 2

al

Del mismo modo, desarrollando la expresión siguiente:

Jl r



E

[xrJ E[~X - al) =

a r + (;) al

+ alr]

a r - l + (;)

a~

a r-2 +

+

Obtenemos la expresión que nos da los momentos respec­ to al origen

conocidos los momentos respecto a la media y la

media. 2. DISTRIBUCION BINOMIAL

2.1 INTRODUCCION.En gran parte de los problemas clínicos, biológi­ cos, etc. debemos considerar ciertas alternativas cuya probabl 1 idad es constante. Por ejemplo, en una determinada especie se sabe que la probabil idad de que un individuo vacunado contra cierta enférme dad, contraiga dicha enfermedad es 0,2, por tanto, la probab11l dad de que no la contraiga será 0,8. Entonces, se puede preguntar, ¿cuál es la probabil idad para que de una muestra de n individuos tomados al azar de una población, en la que todos han sido vacunados, se encuentren r individuos que contraen la enfermedad? 2.2 DEFINICION.- Consideremos un experimento aleatorio cualquiera, para el que únicamente se pueden presentar los sucesos A y con trario

A , con probabil idades p y q respectivamente. Representemos al suceso A como é~o

cia el suceso

A,

y como consecuen

será 6naca6o. Realicemos n pruebas sucesivas

del mismo experimento aleatorio. Deseamos saber la probabil idad de obtener r éxitos en n pruebas.

DISTRIBUCIONES DISCRETAS

77

Para ello consideremos uno de los casos en que se veri éxitos en n prueb~s. Sea el suceso: r veces n-r veces AnAnAn . . . nAnAnAnAn . . . nA Esta claro que la probabil idad de este suceso,

fica, obtener

~

ten¡e~

do en cuenta la independencia de los resultados en sucesivas pruebas, será: r

n-r . nAnA n A n . . . nA)

p (A nA n .

=

r n-r p .q

Ahora bien, conviene considerar todas las maneras posi­ bles de obtener r éxitos y n-r fracasos, estas serán las perm~ taciones con repetición de n elementos entre los que r están repetidos .y n-r también. pr, n-r

Es decir:

nI

(n - ~)! r!

n

Por tanto la probabilidad pedida será el producto de r n-r este número por la probabilidad p • q '::s decir:

p

(x - r) -

-

n! r n-r (n-r)! r! p q

2.3 LEY DE PRORABILIDAD.- Como acabamos de ver, sea X una variable discreta que representa el número de éxitos. La función que nos da la probabil idad de que en n

pru~

bas se produzcan r éxitos, viene dada por la expresión: p(X = r)

(~)

p

r

q

n-r

Obsérvese que esta es una función puntual, que nos da la probabilidad para los distintos valores desde X = O hasta X = n. zón

~l

cálculo de esta función sería laborioso, por esta ra

se han construido tablas (Ver APENDICE tabla 1), que nos

proporcionan para los distintos valores de n y de p, la proba­ bilidad de que la variable X tome los distintos valores de O

a n. 2.4 FUNCION DE DISTRIBUCION.- Por lo visto en 1.4 del presente ca­

J.R.VIZMANOS - R.ASENSIO

78

pítulo. Llamaremos

6un~6n

de

~~bu~6n b~omiat

y

represe~

taremos por F(x) a la siguiente expresión:

~

F(x) = p(X5. x)

(n) pr qn-r

r~O r

Obsérvese que a partir de la definición de F(x), es

i~

mediato comprobar que se verifican las propiedades vistas en

1. 5.

2.5 CARACTERISTICAS ESTADISTICAS.- Veamos un caso particular de la distribución binomial, aquel en el que únicamente se real iza una prueba en lugar de n. A esta variable se le llama variable aleatoria de Ber­

,

nouill i, Y es una función que toma los valores:

con probabil idad O con probabil idad Por tanto,

p

q

1 - P

la media será:

I1=E{X]= LP.x. = 1.p+O.q I I

P

La varianza será: 2 2 ( 1- p ) p+ ( O- P ) q

pq. Consideremos ahora el caso de una distribución binomial

con n pruebas repetidas.

Se tiene que:

Media

11

E r XI

Varianza Desviación típica

a

2'

a =

n p n p q

~

q -

Coeficiente de asimetría Coeficiente de curtosis

p

~

y

2

=

1 - 6 Pq n p q

2.6 APLICACION DE LA DI STRIBUCION BINOMIAL A LA HERENCIA BIOLOGICA.­ Consideremos un animal cualquiera cuyos padres pertenecen a dos

1

DISTRIBUCIONES DISCRETAS

79

grupos distintos A y S. Sea PA la probabil idad de que el hijo pertenezca al grupo A y PS

= 1 - PA' la probabil idad de que el

hijo pertenezca al grupo S. Si se cruzan n parejas de animales, siendo urlo del yr_L!.. po A y otro del grupo S, el número de descendientes que perte­ necerán al grupo A sigue una distribución binomial de paráme ­ Del mismo modo, el número de descendientes que

tros n y PA'

pertenecerán al grupo S, sigue una distribución binomial de

p~

rámetros n y PS' 2.7 AJUSTE DE UN DISTRISUCION EMPIRICA POR UNA DJSTRISUCION TEORICA Si se observa que una variable estadística obtenida experimen­ talmente a partir de una muestra satisface

las condiciones que

conducen a una distribución binomial, tendrá una distribución empírica que se aproximará a una distribución binomial teórica. El problema está en seleccionar entre todas las distri buciones binomiales, la que mejor se aproxima a la distribución empírica. Este es el fundamento del aJ1L6te utadMtic.o. Por otra parte se demuestra que la distribución

bino­

mial que mejor se aproxima a una distribución empírica es aque­ l la que tiene la misma media. Para ello calcularemos la media muestral observada x y la haremos coincidir con la media poblacional x

p =­ n

Por tanto,_consideraremos la distribución binomial de parámetros

n y

x n

En próximos capítulos, trataremos de dar una medida ob jetiva de la bondad del ajuste efectuado.

3. DISTRIBUCION HIPERGEOMETRlCA 3.1 INTRODUCCION.- Ya hemos visto como la distribución binomial co­

J.R.VIZMANOS - R.ASENSIO

80

rrespondía a sondeos de una población donde los individuos se clasificaban en dos categorias, teniendo en cuenta que estos sondeos se real izaban con reemplazamiento. Pues bien, la

distr~

bución hipergeométrica corresponde a sondeos sin reemplazamien­ to de una población finita, en la que los individuos se clasi­ fican también en dos categorias. 3.2 DEFINICION.- Se dice que una variable aleatoria X que puede to­ mar los valores comprendidos entre O y n , tiene una distribu ­ ción hipergeométrica, cuando:

r)

p(X

siendo Np Y Nq números enteros. A continuación vamos a dar una idea física de esta dis­ tribución mediante un modelo de urna. Consideremos una 9ran urna que contiene N bolas de las que:

~NP

son blancas

?Nq son negras

(p

proporción de blancas)

(q

proporción de negras

1 - p)

Se extrae sin reemplazamiento una muestra de n bolas,Al ser sin reemplazamiento, la composición de la urna varía en ca­ da extracción. El número de muestras distintas

(~).

mos realizar será:

de tamaño n que pode ­

El número de muestras diferentes con r bolas blancas se­ rá:

(N:) (nN_qr) . Si representamos por X el número de bolas blancas conte

nidas en la muestra de tamaño n, tendremos que:

p(X

donde

r(

r)

1

e IN,

(~ ) 1

lO, 1,2;.

. .,

n!

DISTRIBUCIONES DISCRETAS

81

Esta función que acabamos de ver, es la ley de probabil idad de la distribución hipergeométrica.

3.3 FUNCION DE DISTRIBUCION.- Llamaremos óunC{6n de

~~buC{6n

h{

peJtgecmU/l-ú'-a y representaremos por F(x), a la siguiente expre­

sión:

x

L

F(x)

r=O

Obsérvese que a partir de la definición de F(x), se pu~ de comprobar que cumple las propiedades de toda función de dis­ tribución vistas en 1.5 del presente capítulo.

3.4 CARACTERISTICAS ESTADISTICAS.Jj

= E [X

1=

np

La media aritmética de esta distribución es independiente de N y es idéntica a la media de la distribución binomial. 2°) Varianza:

CJ

2

Obsérvese que la varianza de la distribución

hipergeométr~

ca es menor que la de la distribución binomial, ya que el N-n N-n < 1. Al factor -----, se le conoce valor de N -

1

N - 1

con el nombre de Óactok de

exha~~vidad.

El factor de exhaustividad únicamente será igual a la uni dad en los siguientes casos: 1°) n

=

1, en cuyo caso solo se extrae una bola y por tan

to existe identidad entre las extracciones con y sin reemplazamiento. N-n En este caso 1 im N-+ooN-1

=

1 y también aquí,

supuesta la urna de extensión infinitamente

gra~

de existe identidad entre las dos formas de ex­ tracción.

3.5 CONVERGENCIA DE LA DISTRIBUCION HIPERGEOMETRICA CON LA DISTRI­ BUCION BINOMIAL.- Ya hemos visto, que la distribución hipergeo­

J.R.VIZMANOS - R.ASENSIO

82

métrica depende de tres parámetros, que son: la extensión de la urna N, la extensión de la muestra n, y la composición de la ur na p, en cambio, la distribución binomial solo depende de estos dos últimos parámetros n y p, parece lógico que dada la mayor sencillez de esta última, convenga estudiar la posible

aproxim~

ción de la distribución hiperge6métrica a la distribución bino­ mial. Para ello, estudiemos a que tiende la probabil idad de la distribución hipergeométrica cuando

~

N

co

1 im N~

~

oo.

(Np)! r! (Np-r)!

1 im

1 im N

N~

co

(Nq)! (n-r)! (Nq-n+r)! N! n!(N-n)!

n! rNp (Np-l) ... (Np-r+l) Ir N (Nq-l) ... (Nq-n+r+l )] r!(n-r)! N(N-1) ... N-n+1)

1

p

r

q

n-r

4. DISTRIBUCION DE POISSON 4.1 INTRODUCCION.- La distribución de Poisson se encuentra en el ca 50 ~

de probabil idades pequeñas, de ahí que se denomine l ey

uc.v.. o~

d e lo~

JtaJto~.

Así por ejemplo, las variables siguientes obedecen a la ley de Poisson. Número de partos triples por año, en un determinado país. Número de átomos desintegrados por segundo, en una cierta cantidad de material radiactivo. Número de individuos albinos nacidos durante un año, en un país. Núme ro de el ec t rones em i t i dos por un cá todo exc i t3do, en un cierto intervalo de tiempo. Número de individuos centenarios.

DISTRIBUCIONES DISCRETAS

83

Número de bacterias de una determinada especie contenidas

en un centímetro cúbico de cultivo.

Número de personas que fallecen diariamente por infarto de

miocardio en una gran ciudad.

4.2 DEFINICION.- Se dice que la variable aleatoria X sigue una ley de

Po~~on,

si puede tomar los valores enteros 0,1 ,2, ... ,n

siendo sus probabil idades: p (X = r)

Siendo A una constante positiva que se denomina pará­ metro de la distribución de Poisson.

4.3 LA DISTRIBUCION DE POISSON COMO LIMITE DE LA DISTRIBUCION BINOMIAL.- Supongamos que real izamos n pruebas independientes sien­ do p la probabil idad de que ocurra el suceso A, en cada una de las n pruebas. Para hallar la probabil idad de que ocurra r veces el suceso A, util izaremos la distribución binomial. n) r n-r p(X = r) Es dec i r. ( r p q Ahora b:en, si la probabil idad del suceso A es muy pe­ queña y n es muy grande, vamos a ver que obtenemos una aproxi­ mación muy buena, mediante otra distribución que resulta ser la distribución de Poisson. np

Para ello hemos de admitir que el producto

con­

serva un valor constante que llamaremos A. Esto significa que el promedio de apariciones del suceso, para distintos valores de n permanece invariable. Calculemos el límite de la distribución binomial para p pequeño, n grande y np p (X

=

r)

=

G) p

r

= A.

n-r q

n (n - 1) . .. (n - r+ 1 ) r!

n (n -1 ) ... (n - r+ 1) r!

(~

r

( 1

-

p

r

q

n-r

A r-r =

n

84

J.R.VIZMANOS - R.ASENSIO

n (n - 1) ... (n - r+ 1 ) n

r

­

(1 -

+f (

r

n (n-J) ... (n-r+J)

>..

n

r

>.. )n-r

(1 -

n

1 -

n (n - 1 ) • • • (n - r+ 1) ] nr

+f

(1 r

>.. r!

(1

(1-~)(1-~) ... (1-~)

+f

+f

(1 -

I im n-Jooo n

Ahora bien,

en>")

e

->.. =

e

y

I im n-+ oo

por tener el mismo número de factores en el numerador que en el denominador. r

p (X = r) =

Por tanto:

>..

e

->..

Que por la definición 4.2 sabemos que se trata de la distribu­ ción de Poisson. En la práctica, se reemplaza la distribución binomial por la de Poisson, cuando simultaneamente n sobrepasa 50 y p es menor que 0,1. 4.4

LEY DE PROBABILIDAD.-Si X es la variable aleatoria de la dis­ tribución de Poisson, la función que nos da la probabil idad de que en n pruebas ocurra r veces el suceso A, viene dada por la expresión:

r

p(X

donde

r)

r

=

>.. r!

e

->..

O, 1 ,2, ... ,n

DISTRIBUCIONES DISCRETAS

85

El cálculo de esta función sería muy laborioso y dada la importancia práctica de la distribución de Poisson se han construido tablas, que nos dan la probabil ¡dad para cada valor de r. (Ver APENDICE tabla 11 )

4.5

FUNCION DE DISTRIBUCION.- Llamaremos 6unu6n de.. CÜ!.J:tJUbuu6n

de..

Po~~on

y representaremos por F(x) a la siguiente expresión: F(x) = p(X..:x) =

~ >/ ¿-, r =0 r.

e

-A

Compruebe el alumno, que la función F(x) verifica las propiedades expuestas en 1.5.

4.6

CARACTERISTICAS ESTADISTICAS.­ 10)

Media: IJ =

00

E[xl

=

00

,,

I:r e r=O

I:x.P. x.=O

,

Por tanto,

E

E

[x 2]

= A e -A I :

(z:~)

z,

(J

2

- Ae -

Ar 1 ­ (r-l) ,

r=O

A e"

Ae

-A,,",

L.J

r "7"(-r---:1""'~buu6n y ~ep~e.-6entM ,fa 6unuón

de

s

CÜI.>~buu6n

O L U

y la. ,fey de

p~bab~dad.

e ION:

Esta claro que al ser la función de distribución una función monótona

no decreciente contínua a la derecha y tal que para este caso será:

¡.

O

F (x)

, /u \

F (+ (0)

= 1, F (- (0) =

O,

x~2

33)¡ a) p(X < 4,5) ¡ e) p(32.X < 4,5).

s

O L U

e

ION: 0,9_

P)

x 2..0

O 0,1 0,3 0,4 0,8 0,9 1

F(x)

O < x~l

0,8_

1 < x ~ 2

2 < x~3

F(x)

3 < x~4

0,4_

4 < x ~ 5

O , 3~

x > 5 0,1

2°)

a) p(X < 4,5)

p(X

b) p(X":' 3)

1

-

1

-

e) p(32.X < 4,5)

=

=

+ p(X

O)

=

p(X < 2)

"" piX

=

5

+ p(X

4)

0,9

=

O)

+ p

1)J =

(X

x

0,7.

+ p(X

3)

+

1)

1 - [ p(X

(0,1 + 0,2)

4

3

2

O

=

4)

=

0,4 + 0,1

0,5

***********************

3.6

Sea X una vaJúable cU.6CAUa. que tiene pon ley de p~obab~dad la .6-tgu...i.en-te: p (X = ~) = 1/8, ~ = 2,3, ... ,9.

CaleulM:

a) p (X > 6) b) p (4 :tJUbuu6n.

e) Rep~eJ.je.n,tau6n de la ley de p!(obab~dad lf de la áunu6n de cU.6

:tJUbuu6n.

S O .L U

e

ION:

=

a)

p (x> 6)

b)

p(4 ex.btac.uone.!.> C.OI'L6 ec.U--Üva;., ;.,'¿n lteempR..a zam.¿elÚo de R..a U!tY!a. S'¿ Iteplte.!.> entamo;., pOlt X e.e. nÚYneJto de boR..a;., bR..an .C-M ex;t;r..cUdM, enc_oYLtttaJt R..a ley de pltobab,¿,t,¿dad de X.

s o

L U

e ION:

La variable X obedece a una distribución hipergeométrica de paráme­ 16 tros: N = 20, n = 3, P = - = 0,8. 20 Por tanto, tendremos: 6 p(X

r)

Cr

) (3:r)

e:) Particularizando para valores de r p(X

O)

0

C3 (\6)

p(X

1)

2)

C2

)

0,0035.

)

(D

0 (23 ) 6

p(X

G)

C~)

= 0,1,2,3,

C)

C30) C3 ) (~) C30)

0,0842

0,4211

6

p(X

3)

0,4912

se tiene:

J.R.VIZMANOS - R.ASENSIO

96 Observese que

p(X

O) + p(X = 1) + p(X = 2) + p(X

3)

********************

3.17

Uvza j au.ta de. tabotta.-to/Uo c.ont-2

116

J.R.VIZMANOS

R.ASENSIO

~

sa) La función f(x) no es simétrica. a 6 ) La función f(x) depende del número de grados de 1iber­ tad n. En la figura se muestran algunas funciones de densidad de la distribución " c hi-cuadrado" para distin tos grados de libertad.

o

3.5

FUNCION DE DISTRIBUCION.- Llamaremos 6unci6n 2

d~ la v~abl~ X y representaremos por F(x) al valor de la siguiente integral: x F(x)

2

p (X ..::. x)

)

t 2 e

n

O

2 r

2

(I - 1) t

dt

(.'2.)

2

Como ejercicio compruebe el alumno, que la función F(x) cumple las propiedades de toda función de distribución. Esta función esta tabulada, (Ver APENDICE, tabla IV) en la que aparece para distintas areas a de las colas de la derecha, las abcisas de los extremos izquierdos de las mismas según los distintos grados de 1ibertad. Para

n > 30, se tiene que

T

h7

=

tribuye segun la N(O , 1). 3.6

CARACTERISTICAS ESTADISTICAS.­ 1a) a 2 ) a 3 )

Media aritmética:

= n

~

Varianza:

0

Desviación típica:

o

2

2n

ffrl

se dis

117

DISTRIBUCIONES CONTINUAS 2

3.7 TEOREMA DE LA AD I CI ON. - S iX l

es una "ch i -cuad rado" con n 1 g r~

dos de libe rtad y X~ es ot ra "ch i -cuad rado" con n

grados de I i­ 2 bertad e independientes entre si, entonces se construye a partir

de estas

otra "chi-cuadrado" +

que tiene

n + n 2 grados de libertad. 1 2

3.8 APLICACION DE LA X PARA ESTIMACIONES Y CONTRASTES ACERCA DE LA VARIANZA.-

Una de las apl icaciones más importantes de la "chi­

cuadrado", aparte del estudio de la bondad de un ajuste, es la util ización de esta distribución para la estimación de la varian za o para el constraste de una hip6tesis acerca de la varianza, como veremos en próximos capítulos. Sea

0 2

la varianza de una población normal y s

2

la

varianza de una muestra aleatoria de tamaño n extra ida de la ci (n - 1) S2 ­ tada población. Entonces 2 es una variable aleatoria c~ya

o

2

distribución en el muestreo es una X con (n-l) grados de

libertad. 4. DISTRIBUCION t DE STUDENT

4. 1

2

DEFINICION.- Sean

2

2

X, Xl' X , 2 rias independientes y N(O,1). Llamaremos

v~abl~

t

d~

.. , la

n+l variables aleato

~~bu~6n d~ Stud~nt,

con

n grados de libertad, a la siguiente expresión: X

t

-'-n1

~

(2 Xl + X22 + •.. + Xn2)

Esta distribución fué obtenida por el matemático inglés Gosset, en el año 1907, el cual firmaba sus trabajos con el seu donimo de "student" 4.2 FUNCION DE DENSIDAD.de una variable

t

La función de densidad o de probabil idad

de Student con n grados de libertad, viene



118

J.R.VIZMANOS - R.ASENSIO

dada por la siguiente expresión:

r _2_(1 (n+ 1 )

t

n

(x)

p(t

x)

+

r (f)

Estudiemos algunas propiedades de esta función: la) El dominio de definición de f(x) es

(-00, +00).

a 2 ) Para los distintos valores del parámetro n, la función t (x)

es campaniforme y simétrica.

n

Cuanto mayor es el número de grados de 1 ibertad más apuntada es la curva, tendiendo a la normal de paráme­ tros N(O , 1) para valores de n grandes. a

3 ) Como el cálculo de las probabil idades es laborioso, la función t , está tabulada, (Ver APENDICE, tabla V). n

Para valores de n > 30, se debe aproximar mediante una N(O , 1).

4.3 FUNCION DE DISTRIBUCION.- Llamaremos 6unei6n

de~~buei6n

de

una variable t de Student, con n grados de 1 ibertad y represen­ taremos por T (x), al valor de la siguiente integral: n

T (x) n

r

(!:!.) 2

4.4 APLICACION DE LA t DE STUDENT PARA ESTIMACIONES Y CONTRASTES ACERCA DE LA MEDIA.- Sean Jl y

0'2

mente de una población normal y

la media y varianza respectiv~ x,

la media y varianza

S2

respectivamente de una muestra aleatoria de tamaño n, extraida de la población anterior. Entonces,

t

x

Jl

n s

¡-n- , es una varia

-;:,­ ble aleatoria cuya distribución en el muestreo es una t de Stu­ dent con n-l grados de 1ibertad.

__________________~D~I~S~T~R~I=B~U~C~I=ONES

C_O_N_T~I~N~UA_S~_________________'_'~9

5. DISTRIBUCION F DE FISHER-SNEDECOR

5.'

DEFINICION.- Sean X2, y x ~ dos variables "chi cuadrado indepen­ dientes y con n, y n

2

Llamar~

grados de I ibertacl respectivamente.

mos vaJUab.fe F de.fa CÜJ.l;tJUbuu6n de F-ú.JheA-Snedec.OIt, con n, y n

2

grados de libertad a la expresión: 2 x,Jn, .

F=

)(1/n 2

5.2 FUNCION DE DENSIDAD.- La función de densidad de la variable F de Fisher-Snedecor con n" f

n, ,n 2

n

es:

2

~l_,

x

(x)

°a

,0) El dominio de F es de

2

oo.

2°) Las tablas VI del APENDICE nos da los valores de F

a,

que representa el valor de la abcisa que deja a su derecha bajo la curva de densidad un area igual a a para

=

los valores de a

0,0' y

a

=

0,05.

5.3 FUNCION DE DISTRIBUCION.- Llamaremos óunu6n de CÜJ.l;tJUbuu6n de una variable F de Fisher-Snedecor con n" y representaremos por F

n

grados de libertad 2 (x), al valor de la siguiente inte­

n, ,n 2

gra 1:

5.4 APLICACION DE LA F DE FISHER-SNEDECOR AL CONTRASTE DE COMPARA­ CION DE DOS VARIANZAS.-

N(W , a~) e independientes y 2 queremos saber si existe diferenc:a significativa entre ellas. blaciones normales

N(~"

Sean a~ y a~ las varianzas de dos po­ a~) y

Tomaremos una muestra aleatoria de tamaño n, de una blación y otra mu estra n muestrales serán s ,

y

p~

de la otra población. Las varianzas 2 s~. Veamos que el cociente s~/s~ sigue

una F de Fisher- Snedecor con n,-' y n -' grados de libertad. 2

120

J.R.VIZMANOS - R.ASENSIO

2

s igue una X

Como

-1 . 1

=}

sigue una X2 n -1

y O·

Si

n

resulta

1

F

=

F

2 2 2 51 / 52. c. q.d.

PROBLEMAS RESUELTOS 4.1

Da.da. Ul. 6unu61l de dMvubuu6n de una. vcuU.abie a.teatotUa. conUnua X, de6.úti.da. del. ~,¿g(Liej¡,te modo:

t

x
pue'.> de. x holtM, v~e.ne. Ite.plte'.>e.ntado e.n la tabla. ~~

~~vo

g~e.nte.:

al bl d

NúmeJto de. holtM

O

1

2

3

4

5

NúmeJto de. bac;te.~ev., pOIt uru:dad de. volume.n

12

79

23

34

56

62

¿ Cuantev., holtM habJtá.n de. pev.,a.Jt hev.,ta te.I>te.1t 700 bac;te.~ev.,? ¿ Cuantev., bac;tvua6 U e'.> peJta te.ne.1t al ~a.bo de. 6 holtM?

Calwla.Jt el

~o e. Mue.nte.

de.

~oMela.u6 n

line.al e.

~nteJtplte.ta.Jt ~ u

valO!!..

s

O L U

e ION:

Representemos por x. el número de horas y por y. el número de bacte

1

rias por unidad de volumen.

1

166

J.R.VIZMANOS - R.ASENSIO

Formemos la correspondiente tabla de calculos .

2 Y

s xY

a)

O 19 46 102 224 310

O 1 4 9 16 25

144 361 529 1156 3136 3844

701

55

9170

x Y i i

O 1 2 3 4 5

12 19 23 34 56 62

15

206

15 = -6

x

s

2 y.

Yi

~

2 s x

2 x.

x.

2,5;

~

206 6

y

¿:x~

- 2 ¿ ( x i - x)

¿:Y~

¿:(Y i - y)

55 6

-2 y

9170 -6

N

N

34,33.

-2 x

N

N

~

¿:(X i - x) (y ~. - y)

¿ : x . y.

N

N

~

~

x y

2,5

=

2

·2 34,3

2,9.

349,5.

701 - 2,5.34,3 6

= 31 .

¿Cuantas horas habran de pasar hasta tener 100 bacterias? Calculemos la recta de regresión de x sobre y. s x - x = ~ ( y - y ); 2 s

31 x - 2,5 = 349,5 (y - 34,3)

Y

x Por tanto, para y

= 0,088

Y - 0,55

100 bact e rias, se obtiene

x = 8,25.

Es decir a los 8 horas y 15 minutos habrá 100 bacted as en el cul ti

vo. b)

¿Cuantas bacterias se esperan tener al cabo de 6 horas? Formemos, en este caso, la recta de regresión de y s obre x .



REGRESION y CORRELACION s

y -

~ (x - x); 2 s x

y

T,9(x -

2,5)

10,68 x + 7,61

y

Por tanto, para x c)

31

34,33

y -

6, resulta

x

=

72 bacterias.

Coeficiente de correlación lineal s r

xy

31

=

~2,9.349,5

SXSy

0,97.

Al ser muy próximo a la unidad, existe entre las dos variables una dependencia aleatoria muy fuerte.

********************

5.7

En la ú[jtUen;te. .:tabla J.,e. Ite.c.oge.n la!.> me.cLlda!.> de. .fc_ máu­ ma de. la plte..6i6n J.,ang~ne.a y la e.dad de. 12 muje.Jte..6.

42

70

35

64

47

53

49

38

42

60

Edad (añO!.> )

56

68

p.máx.. (Mm Hg)

147 122 160 118 150 130 146 145 113 145 152 155

EJ.,.:tucLlaJt la lte.{au6n poúble. e.n.:tJte. amba!.> va!tiable..6 y ltazonaJt

e.{ 1te..6~

.:tado.

s

O L U

e ION:

Formemos la tablas de cálculos, teniendo en cuenta que conviene orde­ nar los datos respecto de una de las variables. - 2 - 2 x. x.-x (x. -x) (y i -y) Yi- Y Yi 1 1 1 35 38 42 42 47 49 53 56 60 64 68 70

113 115 122 145 130 145 146 147 155 150 152 160

624

1680

- 17 14 - 10 - 10 - 5 - 3 1 4 8 12 16 18

-

I

I

-

10

- 27 - 25 - 18 5

-

5 6 7 15 10 12 20

289 196 100 100 25 9 1 16 64 144 256 324

O

1524

10

I

-

-

(x.-x) (y.-y) 1

1

729 625 324 25 100 25 36 49 225 100 144 400

459 350 180 - 50 50 - 15 6 28 120 120 192 360

2782

1800

168

J.R.VIZMANOS x.

¿

x =

Medias aritméticas:

R.ASENSIO

~

624 12

l

N

L: (xi

2 s x

Varianza de x:

Varianza de y:

s

N

- 2 ¿(Y i - y)

2 y

N ¿

s

Covarianza:

- 2 - x)

(x. -;) (y. l

xy

l

-y)

52;

y

1680 ­ 12

1524 12

127.

2782 12

232.

1800 12

--=

N

=

140.

150.

Calculemos las rectas de regresión. a)

Recta de regresión de y sobre x:

Y - 140 b)

150 127

=

52)

(x -

y

1,2 x + 78,5.

Recta de regresión de x sobre y:

150 (y - 140) 232

x-52 c)

x = 0,64 y-38,S.

Coeficiente de correlación lineal.

r =

s

,,-x

150

xy

. fSZT -y

0,87 .

~232.127

Como r es próximo a la unidad, la dependencia entre ambas varia bles es aleatoria positiva y bastante fuerte.

********************

5.8 )( .

50

52

54

56

58

60

62

y.

31

50

77

96

112

130

162

- e.ntan plLe!.> -t on e!.> d- x de.no.tan U tiempo e.n m- de. U c. omún z o dU de!.> c.a.ytJ.J o Ij toJ.J vat oIL e!.> Ij lLe.plLe!.> e.ntan tM plLe!.>-tO n e!.> d--t6n de. ta Ij -60blLe. ta x. b) Catc.u1.a.IL ta lLe.cta de. lLe.glLe!.>-t6n de. w x -60 blLe. ta Ij. c. ) Catc.u1.a.IL U C. oe. Mu e. nte. de. c. olLILuau6n LL ne.at Ij e!.> .tu.d- utOl.'>

4.

~

X, :tomaJte.mol.'> eomo

-ea eUMiv((!U((nZC1

~:túYladoltu

e~iv~anza mu~

~;U.madolt

de. la

eomo uwrudOlC. de. -ea va

Ij

mu~VLal.

I.'>on iMugadol.'>

Ij

de.

v~((nZ(( ttú:iÜm((.

DISTRIBUCION EN EL MUESTREO DE ESTOS ESTIMADORES

Un estimador es una función de la variable aleatoria n-dimensio

181

ESTlMACION DE PARAMETROS

nal. Está claro, por tanto, que para cada muestra el estimador tomará un valor númerico,y si consideramos todas las posibles muestras que podemos extraer de la población, obtendremos un conjunto de valores del estimador que seguirá una determinada distribución; a esta distribución se la llama

:tJta.l

O ~~buei6n

~~buei6n mueh

e.n e.t mUehtJte.o.

4.1 DISTRIBUCION EN EL MUESTREO DE

p.-

Supuesto que el tamaño de

la muestra n es "suficientemente grande", y que p no se acerca a O ni a " bución

N (p



entonces

A

el estimador p se aproxima a una distri­

,~p(~-p)).

A

P - P

z

Tipificando la variable, se tiene que

~P(l~P)

xi ma a una di s tri buc ión N(O , 1) Ahora bien "

se

apr~

si n no es grande o si p se acerca a O ó a

entonces deberemos calcular mediante la distribución binomial

la probabil idad de la composición particular de cada muestra . A

4.2 DISTRIBUCION EN EL MUESTREO DE A .- El estimador A de la media de la distribución de Poisson, sigue otra distribución de Pois son de parámetro

A.

4.3 DISTRIBUCION EN EL MUESTREO DE media de una distribución muestreo es:

Q.-

Si

~

es el estimador de la

N()J , o ), su distribución en el

N ()J, allñ).

Z

- Si o es conocida, la variable tipificada

=

~;~

se distribuye segun una ley N(O , 1) cualquiera que sea el tamaño n de la muestra. Si o es desconocida, la estimaremos mediante la cuasivarian zamuestral:

~2

1

s

-,

n-

¿

2

(x .I -X).

2

Si conocemos la varianza de la muestra s , tenemos que: ~2

s

n

n-l

s

2

182

J.R.VIZMANOS - R.ASENSIO

)J - )J

La expresión

obedece a una distribución

~/1ñ grados

de Student con n-l

de 1ibertad.

Como ya vimos al estudiar la distribución t de Student, si n es grande

la expresión anterior se aproxima a una distri

bución N(O , 1) A

4.4 DISTRIBUCION EN EL MUESTREO DE

A

S2.-

Sea

el estimador que

S2

hemos construido para la varianza de una distribución N()J , o). Según vimos en el apartado 3.8

laAexpresión:

(n - 1) 0

se distribuye según una

S2

2

2

x con (n -

1) grados de libertad.

5 _ DISTRIBUCIONES ASOCIADAS AL ESTUDIO DE OOS POBLACIO­ NES NORMALES INDEPENDIENTES

5.1 DISTRIBUCION DE LA DIFERENCIA DE MEDIAS DE MUESTRAS DE DOS PO­ BLACIONES NORMALES INDEPENDIENTES CON DESVIACIONES TIPICAS CONOCIDAS.Sean Xl una variable aleatoria que sigue una distribución N()JI ' 0l)y X2 otra variable aleatoria que sigue una distribución N()J2' 02) e independiente con Xl. Elegimos una muestra aleatoria simple de tamaño nI de Xl y otra muestra aleatoria simple de tamaño n de X . 2 2 La distribución que sigue la diferencia de medias x -x l 2 siendo xl y x2 las medias muestrales es:

Tipificando la variable, tendremos que (xl Z

5.2

- x2 )

t~nI

+

()JI - )J 2 ) 02 -n­ 2 2

N(O , 1)

DISTRIBUCION DE LA DIFERENCIA DE MEDIAS EN EL CASO DE DESVIACIO­ NES TIPICAS DESCONOCIDAS.

lO

sigue una

183

ESTlMACION DE PARAMETROS

5.2.1 MUESTRAS DE

TAMA~O

GRANDE.- En las mismas condiciones del

apa rtado anterior, si nI y n y

°1 A de sI

Y

son suficientemente grandes 2 desconocidas, las estimaremos a partir

A°2

s2' con 10 que la expresión, sigue aproximadamente (xl 2 y

-x)

Z

A2

una N(O , 1) .

sI

+

nI 5.2.2 MUESTRAS DE

TAMA~O PEQUE~O.

5.2.2.1 Desviaciones típicas desconocidas pero iguales Es decir: En este caso obtendremos una buena estimación de

0

2

a partir de la media aritmetica pondera­

da de las estimaciones s

2

y

(n -1) s~ + (n -1) s~ l 2

nI + n

2

- 2

y entonces se tiene que la expresión:

sigue una distribución de Student con nI + n - 2 2 grados de 1 ibertad. 5.2.2.2 Desviaciones típicas desconocidas y distintas 2 Estimamos 0 21 y a2 por A2 sI y A2 s2 respec­ tivamente) entonces la expresión, sigue aproximada­

nI

+

n2

mente una distribución de Student con f grados

~1~8~4__________________J~.~R.VIZMANOS

- R.ASENSIO

de 1 ibertad, donde f es la

ap~o~aci6n

de Weleh, que

se define del siguiente modo:

f

2

tomando para el valor de f

el entero más próximo.

5.3 DISTRIBUCION DE LA RAZON DE VARIANZAS.-

La variable aleatoria

definida por la expresión: "2 /

s2

02

2

sigue una F de Snedecor con (n -1) , (n -1) grados de libertad. l 2

6. CONSTRUCCION DE INTERVALOS DE CONFIANZA Ya hemos visto, que un estimador es una función de las observaciones de la muestra que nos p€ r mite

obtener un valor aproximado de alguna

característica de la población. El problema ahora, consiste en dar una medida de la aproximación de la estimación efectuada, razón por la que acabamos de · estudiar la distribución en el muestreo de estos estimadores. Así por ejemplo, si X es una variable aleatoria que si­ gue una distribución N(~ , o) y sea x ,x ' ... ,x una muestra aleato­ l 2 n ria ' simple de tamaño n, sabemos que es un e.stimador para la media

x

~

. Tambi€n

bución

hemos visto que x es una variable que sigue una distri­ N(~

en el muestreo

dremos que z

=

,

o/m) . Al tipificar la variable ten­

x O

~

/ Ir.

Si representamos por una distribución



sigue una N(O , 1)

z ~ /2'

el valor de la abcisa de

N(O, 1) que deja a su derecha

a /2

de area, sien

185

ESTIMACION DE PARAMETROS

do 1 - o.

lo que hemos llamado coeficiente de confianza, tendremos

que: p [ -za/2
f.,e obtuvo una Jr..e.duc.u6n me.d-ta de. 16 mg/l00 c.on una de.f.>v-tau6n ~p-tc.a de. 4 mg/ 100

me

me,

me.

me,

(

201

ESTlMACION DE PARAMETROS

Enco~ un ~ntenvalo de conó~anza del 95% pana ta ~­ óenenua de med.-i.a-6, acfmd..-¿endo que taJ.J pobfuuonu de /teducu6n de áudo úJúco en fu -6ang/te apücando ambaJ.J MogaJ.J Mn noltmalu, ~nde pen~entu, v~anzaJ.J duconoUdaJ.J Ij en p~nup~o no ~guatu.

s

O L U

e

ION: .~~~~~expresión:

El intervalo de confianza viene

(X,-X

2)

)

:¡:

r

siendo f el número entero más próximo al valor que nos dé la expre­

( s~

sión:

n

f

+

1

52 ~2 n

2

(:; r (:: ) n +l l

+

9,82 12

- 2

(9,82)2 12

+

Pues en la 1amuestra tenemos: 18 ; xl a 16; y en la 2 muestra t e nemos: x 2 a = 0,05; t 2,101.

2 - 2

17,89

(17,78 )2 10

13

n +1 2

a/2,

17,78 + --­ 10

11

lue go

f

9 = 9,82; n sl = ~ l 11 n =10.16/9= 17,78; s2 2 ~2

~2

18. 12 10;

f

Sustituyendo estos valores en la expresión del intervalo, tendremos: (-1

,38

5,38)

********************

6.14

Se u:tá hauendo un u:tu~o Mb/te ~peJt:ten-6~6n. Se :toma una muU:tJta de 13 pauentu de una uudad, que ~enen una p/tu~6n ­ -6~:t6üca me~a xl = 167 tmI Ij 1'1 = Z8 tmI. En o:tJta Uudad -6e :toma o:tJta muu:tJta de 16 pauentu con rne~a Xz = 164, 7 Yrn1 Ij l'Z = 7 tmI. CalcutaJt un ~ntenvalo de conÓ,{.{Lnza det 95% palLa. ta ~óe /tenua de me~aJ.J, -6upo~endo noltmalu taJ.J ~~buuonu peno con ­ v~nzaJ.J ~~ntaJ.J.

s

O L U

e

ION:

El intervalo de confianza para la diferencia de medias de dos pobla­ ciones normales, muestras pequefias y desviaciones t!picas desconoci­ das y distintas, viene dado por:

(,x,-x \

2

)

:¡:

ta

2'

f

202

J.R.VIZMANOS - R.ASENSIO

donde f es la aproximación de Welch, que para este caso es: f = 13.

a

­

167; Pues en la 1 ¡nuestra tenemos: Xl a

tenemos:x 164,7; y en la 2 muestra 2 ex. = 0,05. y tex./2, f = 2,160

'"sl

28;

n

'" s2

7;

n

13

1

16.

2

Sustituyendo estos valores, obtenemos el intervalo pedido: (-14,89

19,49)

********************

6.15

Una c.ertVt.a.t de pJtoduc;tOJ., lác;teo;., Jteube cüaJUamen-te la lec.he de do;., g!tanjM X e Y. VeJ.Je.ando eJ.J.tucüaJt la c.aLidad de 10J., pJto­ duc;to;., Jteub-ido;., ;., e e:dJtaen do;., mueJ.J.tJta;., Ij ;., e anaLiza el c.on-ten-ido de mateJt-ia g/tMa, ob.ten-iendo IM ;.,-igrUenteJ.J JteJ.JuR..tadOJ.,: X 0,32; 0,29; 0,30; 0,28; 0,33; 0,31; 0,30; 0,29; 0,33;

0,32; 0,30; 0,29.

y 0,28; 0,30; 0,32; 0,29; 0,31; 0,29; 0,33; 0,32; 0,29; 0,32; 0,31; 0,29; 0,32; 0,31; 0,32; 0,33.

al Calc.uR.aJt IM meCÜM Ij IM vaJUanzM de IM mUeJ.J.tJtM.

b l Calc.uR.aJt lo;., valOJteJ.J de IM eJ.JUmauoneJ.J c.enj:JtadM .6 2 Ij .61j2

2 de R.M vaJUanza;., deJ.Jc.onoUdM 0 2 Ij 0 • X c.l AR... n-ivel de c.onManza del 95%, dUe!tm-inalLljun -in-teJtvalo de

c.onManza palta la: deJ.J v-iau6n Upú.a de IM X, palLa la deJ.J­ v-iau6n Up-ic.a de la;., Ij Ij palLa la !tazan de vaJUanzM, ;.,u­ pon-iendo nOJtmal la vaJUable" eJ.J.tucüada, (c.on;ten-ido de mateJt-ia

gltMa), en amba;., poblauoneJ.J Ij c.on -igual. vaJUanza e -indepen­ cüenteJ.J. I

s a)

b)

O L U

Para la muestra X

tenemos:

x = 0,305

y

s

Para la muestra Y

tenemos:

y

Y

s

52 x

12 ".0,0031

"'2 s

1"""5

Y

e)

e ION:

16

0,00405.

0,0038

( x

12 ;

Y

0,0031. 0,0038.

0,00338.

1

El intervalo de confianza para

donde n

0,308

2 x 2

o:

O

x

viene dado por:

(n -1)5 2 x x X2

o:

2'

=

(n -1)5 2 X

n -1 x

2 0,05; Xex./2, n -1 x

nJ

X

x

21 ,9;

2 X1- a / 2 , n ­ 1=3,82. x

1

ESTIMACION DE PARAMETROS

203

resulta ~

Sustituyendo estos valores en la expresi6n anterior, (0,039

0,094)

Análogamente, el intervalo de confianza de C5 , será: y

n

=

y

16;

a

=

2

0,05;

~/2, n -1

=

X2

27,5;

1-

Y

(0,045

~ n -1

6,26.

2' Y

0,095)

El intervalo de confianza para

52

2

X

/5 Y

)

F

1- a

2'

donde

F

~, n -1, n -1 2

x

n -1 x

3,04;

'

n-1 y

0,3.

Y

Por tanto, el intervalo pedido (0,27

será: 2,71)

********************

6.16

EYl UYl cJw.c.e de mela.nogMteJt he.mo¿, obterUdo 77 mo¿, C.M C.OYl a.tM veJttic.al.v." de UYl total. de 220. E¿,LúnCVt UYl J.nteJtval.o de c.oYl6J.a.Ylza del 95% fJa/W. la pJtopoJt c.J.6Yl de mo¿,c.M C.OYl alM veJttic.al.v., eYl.tJte lo¿, J.Yld).vJ.duo¿, Jtv.,u.,ftantv.,­ de UYl gJtaYl YlÚYneJto de cJw.c.v., c.omo v.,te.

s

O L U

e

ION:

Por ser el tamaño de la

muestr~

220

bastante grande

y el valor de

p ni pr6ximo a cero ni a uno, podemos tomar como intervalo de confian za para este parámetro, el siguiente:

(p + z~

s iendo

p,

~""2-(-~--P-))

la proporci6n de individuos con alas verticales en la mues

tra que tomamos como valor aproximado de p. 77 220

=

0,35;

Luego el intervalo será:

a

= 0,05;

(0,287

za/2

=

1,96.

0,413).

204

J.R.VIZMANOS - R.ASENSIO

6.17

(/na nueva Maga ha c.wwdo 80 de '200 enfieJuno-6. EMhne-6 e un -i.nteJtva.-f..o de c.onManza del 99% pcur.a ta pltopoltu6n de peMonM c.u­ ltadM -6-i. ta nueva meMuna -6 e hub-i.e-6 e apüc.ado a una pobtau6n c.ol'l.-6­ ~u-lda pOIt todo-6 tO-6 -i.nMv-i.duo-6 c.on ta ~ma enfieJunedad.

s

O L U

e

ION:

p=

Tenemos que

80 - - = 0,4; 200

En estas condiciones

n = 200.

el intervalo de confianza para la proporción

de personas curadas en la población viene dado por:

z~ ~ P(~-P)) 2 za;2 = 2,57.

y

siendo a = 0,0';

Sustituyendo estos valores en la expresión anterior, obtenemos el in tervalo pedido:

0,489)

(0,3"

********************

6.18

Se -60-6pec.ha que ewte. un.a. M6eJtenua -6-i.gn.-lMc.ativa entlte ta pito pOltu6n de homblte-6 lj ta pitO pOltUÓn de mui eJte-6 que c.o ntJta.en una dete.Jr.»t{.n.a.da va.Jt-ledad de gJt-lpe. Pcur.a -6~ de dudM -6e toma una mue-6 tita a.-f..eatoJt-la de 300 hombmu, de t0-6 c.ua.-f..e-6, '27 padec.en o han padeuao ta gJt-lpe en un p~odo de tiempo Miado. Anátogamente tomamO-6 un.a. mu~ tita de 400 mu j eJte-6 de tM c.ua.-f..e-6 3'2 padec.en o padeueJto n ta glUpe. ¿Qu~ no.ó -i.nMc.an e.-6.tO-6 lte.-6uUad0-6?

s

O L U

e

ION:

El intervalo de confianza para la diferencia de proporciones

P, y P2

de hombres y mujeres que han contraido la enfermedad, al ser el tama ño de las muestras n, y n A

A

2

granders_,__v_i_e_n_e_ _d_a_d_o_ _p_o_r__ : __ -.

I (P,-P2) +

P,('-p,) n,

(

siendo A

P, =

P,

y

P2

27 300 = 0,09;

+

P2('-P2)) n2

los valores estimados de P, y P2 respectivamente.

n,

= 300;

a = 0,05;

A

P2

32 =-= 400

za;2

=

O 08· "

n

2

=

400· '

',96.

Sustituyendo estos valores en la expresión anterior, obtenemos el in

ESTlMACION DE PARAMETROS

tervalo pedido, que será:

(-0,0319

205

0,0519)

La diferencia de proporciones puede ser negativa, nula o positiva, luego no existe diferencia significativa entre P1 y P2 Y entonces nuestra sospecha no es cierta. ********************

'1- contra.ste d.e hipótesis

l.

INTRODUCCION

2.

DEFINICIONES 2.1 Contraste de hipótesis

2.2 Hipótesis nula H

2.3 Hipótesi s altern~tiva H

2.4 Estadístico del contras~e

2.5 Región crítica

2.6 Región de aceptación

2.7 Error de tipo r

2 . 8 Error de tipo Ir 2.9 Nivel de significación a

2.10 Potencia de un contraste

2.11 Contraste bilateral

2.12 Contraste unilateral

3.

FORMULAS PARA LOS CONTRASTES 3.1 Contraste de la media de una población

normal cuando se conoce la varianza p~

blacional

3.1.1 Contraste bilateral

3.1.2 Contraste unilateral

3.1.2.1 Hipótesis nula Ho: 11 ';;; 110

3.1.2.2 Hipotesis nula H :11 ~110

3.2 Contraste de la media de una p8blación

normal cuando no se conoce la varianza

3.2.1 Muestras pequeñas

3.2.1.1 Contraste bilateral

3.2.1.2 Contraste unilateral

3.2.1.2.1 HipÓtesis nula

H : )1")10

3.2.1.2.2 H~pótesis nula

H : )1>)10

o

3.2.2 Muestras grandes 3.2.2.1 Contraste bilateral

3.2.2.2 Contraste unilateral

3.2.2.2.1 Hipótesis nula

H

)1")10

3.2.2.2.2 H~pótesis nula

Ho )1 >110 3.3 Contraste para la varianza de una pobl~ ción normal.

3.3.1 Contraste bilateral

3.3.2 Contraste unilateral

3.3.2.1 Hipótesis nula H :02O~

. o 3. 4 Contraste para la 19ualdad de medias de dos poblaciones normales 3.4.1 Conocidas las varianzas

3.4.1.1 Contraste bilateral

3.4.1.2 Contraste unilateral

3.4.1.2.1 Hipótesis nula

H : 111 "



112

3.4.1.2.2 H~pótesis nula

H : )11 ;:;,. 112

3.4.2 Varianzas desconocigas .

3.4.2.1 Muestras grandes

3.4.2.2 Muestras pequeñas y varianzas

poblacionales iguales

3.4.2.2.1 Contraste bilateral

3.4.2.2.2 Contraste unilateral

3.4.2.2.2.1 Hipótesis

nula H :

o 111" 112

3.4.2.2.2.2 Hipótesis

nula H :

o 111 >112

3.4.2.3 Muestras pequeñas y varianzas

poblacionales distintas

3.4.2.3.1 Contraste bilateral

3.4.2.3.2 Contraste unilateral

3.4.2.3.2.1 Hipótesis

nula H :

o 111" 112

3.4.2.3.2.2 Hipótesis

nula H:

o



3.4.3 Datos apareados

3.4.3.1 Muestras grandes

3.4.3.1.1 Contraste bilateral

3.4.3.1.2 Contraste unilateral

3.4.3.1.2.1 Hipótesis

nula H:

o d..;;;;O

3.4.3.1.2.2 Hipótesis

nula H : d;;;'O o 3.4.3.2 Muestras pequeñas

3.4.3.2.1 Contraste bilateral

3.4.3.2.2 Contraste unilateral

3.4.3.2.2.1 Hipótesis

nula H:

o d";;;;O

3.4.3.2.2.2 Hipótes~s

nula H:

d;;;'O

'0

3.5 Contraste de igualdad de varianzas de dos po­

blaciones normales

3.5.1 Contraste bilateral

3.5.2 Contraste unilateral

3.6 Contraste. para el parámetro p de una distribu

ción binomial

3.6.1 Contraste bilateral

3.6.2 Contraste unilateral

3.7 Contraste para la igualdad de parámetros de

dos distribuciones binomiales

3.7.1 Contraste bilateral

3.7.2 Contraste unilateral

4. ANALOGIAS ENTRE CONTRASTES DE HIPOTESIS E INTERVALOS DE CONFIANZA

']-CONTRASTE

DE HIPOTESIS

1. IN':['RODUCCION Cuando hacemos alguna afirmación sobre una población base, sobre su forma o sobre el valor númerico de uno o de más de sus parámetros, que se contrasta luego mediante una muestra aleatoria extra ida de la población, estamos ante inferencias de la categoría del

­

Qo~~te

de h-ip6teJ.J-

]..lo

3.1.2.1 Hipótesis nula

o

a

Según 10 anteriormente expuesto, la región de tación es el interv'a lo Aceptamos H si: o

x

Rechazamos H si:

x

(-(Xl -

]..lo

ace~

zex).

,




o/In

3.1.2.2 Hipótesis nula

H : ]..1 > ]..lo o Hipótesis alternativa H : ]..1 < ]..lo a En este caso la región de aceptación es el inter­

valo

(-z

~) .

ex

Aceptamos

H si o

Rechazamos

H o

x

-

]..lo

x - ]..lo

si

>

- z ex


t

si ¡¡::¡-:J

a

2'

n-l

n-l

3.2.1.2 Contraste unilateral H : ]l ­< ]lo o Hipótesis alternativa H : ]l > ]lo a Según lo expuesto anteriormente, la reg ión de 3.2.1.2.1 Hipótesis nula

aceptación será el intervalo (- ro , Se acepta

Se rechaza

H o

si:

H o

si:

x

-

]lo

< t

si ¡¡::¡-:J x

-

]lo

> t

s/;n::T

t a, n-l ) . a, n-1

a, n-l

H : ]l ­> ]lo o Hipótesis alternativa H : ]l < ]lo

3.2.1.2.2 Hipótesis nula

a

La región de aceptación es el intervalo (-t

a, n-1

ro).

y

217

CONTRASTE DE HIPOTESIS

Se acepta

-

x

H si: o

).lo

> -t

s/rn:T

-

x

Se rechaza H si o

).lo

< -t

s/rn:T

a, n-1

a, n-1

3.2.2 Muestras 9randes. 3.2.2.1 Cont raste bilateral.

Hipótesis nula

H :

).lo

o

Hipótesis alternativa H :

).l '" ).lo

a

z

En este caso también util izaremos

=

-

).lo

olm

pero teniendo en cuenta que al no conocer o

x

al ser la muestra grande, la estima

y

mos mediante la desviación típica de la muestra con lo que nos queda:

z = x - 110 siendo

s =~n n-1

slm

s

s la desviación típica de

y

la muestra.

La región de aceptación es el intervalo:

Se acepta

H si: o

Se rechaza H si: o

Ix - 11 o

1

51 In

IX-l1ol 51 In

< z

a/2'

> z a/2'

3.2.2.2 Contraste unilateral.

H :

).l

< 110

Hipótesis alternativa H :

).l

> 110

3.2.2.2.1 Hipótesis nula

o

a

Según todo lo expuesto anteriormente, la región de aceptación es el intervalo (- ex:> , Se acepta

H

o

si:

x

-

).lo

51 In

< z

a

z ). a

218

J.R.VIZMANOS - R.ASENSIO

Se rechaza H

o

x - 11 0

si:

>

z

o.

'S/Iñ

3.2.2.2.2 Hipótesis nula

H:

11

o

>

11 0

Hipótesis alternativa H: 11 < 11 0 a La región de aceptación viene definida por: (-z

Se acepta

H

o

Se rechaza H

o

3.3

si :

00 )

o.

x - 110

> -z

'S/rn si:

x - 11 0

< -z

'S/Iñ

o.

o.

CONTRASTE PARA LA VARIANZA DE UNA POBLACION NORMAL.­ 3.3.1 Contraste bilateral.

H : o Hipótesis alternativa H : a En este caso el estadístico Hipótesis nula

0 2

02

o~

"

o~

ns 2 /0%, con

0

2

= 0 %

se distribuye según una X2con n-1 grados de 1 ibertad,

siendo n el tamaño de la muestra y S2 la varianza mues­

t

ra 1 •

La región de aceptación es el intervalo:

2 X (X2~ n-1 1- ~ n-1) 2' 2' 2

Se acepta

H si : o

-ns2 E:: ~X o. 00 2' n-1 2

2 X

l-

o.

2'

n-J

3.3.2 Contraste unilateral.

H:

0

Hipótesis alternativa H:

0

3.3 . 2.1 Hipótesis nula

o

a

2




La región de aceptación es el intervalo (O Se acepta

H

o

si:




X2

l-a, n-l

02 O

CONTRASTE PARA LA IGUALDAD DE MEDIAS DE DOS POBLACIONES NORMALES 3.4.1 Conocidas las varianzas. 3.4.1. 1 Contraste bilateral . H : 11 1 o Hipótesis alternativa H : 11 -¡, a 1 De una población N( 11 , 1) Hipótesis nul a

°

1

11 11

ó

2

11

11 1

2

=

O

2

,

obtenemos una

muestra aleatoria simple:

, x 1n 1

x 11 ' x 12 '

x la media muestral

xl

+ x

ll

+

l2

...

+ x

1n 1

se distribuye según una Si de una población

N(1l2'

02) obtenemos otra

muestra aleatoria simple: ,x

x 2l ' x 22 '

2n2 x

la media muestral

x

ya que

2

+ x

2

22

+

n

se distribuye según una La diferencia xl - x

21

N(1l2

...

+ x

2n 2

2 o/n 2 ) .

es una variable aleatoria,

xl y x2 son variables aleatorias inde ­ pendientes. Además xl - x 2 se distribuye nor­ malmente con media 11 - 11 Y desviación típica 1 2

220

J.R.VIZMANOS - R.ASENSIO

En este caso el estadístico

z

=

se distribuye según una N(O , 1)

si

Si f i j amos un ni ve 1 de si gn i f i cac ión a

y 1a h i p~

tesis es cierta, z se encontrará entre

-zo./2

con una probabil idad

1 - ex •

Luego, la región de aceptación es: (-z al2 Se acepta

H si: o

z al2)

IX1 - x21




-

za

W

2 lJ

2

y

221

CONTRASTE DE HIPOTESIS

3.4.2 Varianzas desconocidas. 3.4.2.1 Muestras grandes. Si las muestras son grandes, el contraste 10 efec tuaremos como indicabamos en el apilrtado 3.4.1, ~ 2 sustituyendo 0 2 y 0 2 por s~21 y s2 ' que son 1 2 los estimadores insesgados de 0 2 y 0 2 respecti. 2 1 vamente. n n1 2 A2 52 s2 s2 y s2 1 2 1 n - n - 1 2 1 2

siendo

s1

y

2 s2 las varianzas muestra les.

3.4.2.2 Muestras pequeñas y varianzas poblacionales igua­ les. 3.4.2.2. 1 Contraste bilateral Hipótesis nula

H : o Hipótesis de alternativa H : a o

Como en este caso

o

1

2

= o

con

t

\J \J

1 1 -f

\J \J

2 2

el estadístico

\.l

1

\.l

2

sigue una distribución t de Student con n , +n -2 2 grados de 1 ibertad, siendo s

=

n1

s~ +

n2

Uti 1 izamos como estimador de ",2 ,,2 da de s 1 y s2 ' es decir: (n , -l) g¿ + (n -l) s22 1 2 s7 (n -l) (n 1 -1). + 2 A

La región de aceptación es: (-t ,).

2' n , +n 2 -2

s~

o , la media

ponder~

2 n , s2 + n s2 2 1

n 1 + n2

- 2

222

J.R.VIZMANOS - R.ASENSIO

Se acepta

y

H

o

si:

se rechaza en el caso contrario.

3.4.2.2.2 Contraste unilateral - 3. 4. 2 . 2 .2. 1 Hipó t e s i s n u 1a Ho:

IJ

1

< IJ

2

Hipótesis alternativa

H : a

~l

1

> fl2

La región de aceptación será:

Se acepta

t a , n +n -2) 1 2 si se cumple:

H

o

- 3.4.2.2.2.2 H :

IJ

H :

IJ

o

a

1

>

1
O

z ) a

Región de aceptación (- (Xl si:

Se acepta la hipótesis H

o

Z




O

H :

d




(Xl )

Ct

si:

Ct

3 . 4.3.2 Muestras pegueñas. 3.4.3.2.1 Contraste bilateral. H : o Hipótesís alternativa H : a Hipótesis nul a

El

est~dístico

t

d

s/Tn '

=

d

O

d "Í O sil a

hipótesis es cierta, se distribuye gr~

según una t de Student con n-1 dos de 1 i be rtad. La región de aceptación es: (- t

t Ct

Ct

n-1

2'

2'

Se acepta 1a hipóte s is H o

~

s/Iñ


que qt.U~e conVtaót~ el conte~do o ~queza en azuc~. Ef ~abe que fa ~queza en azuc~ ~e cUJ.,~bulje noMlahne)'u:e. con mecka Wo = 18% p~ el c~gamento de ~ega~to Ij con mecka ~up~o~ p~ e.i de. ~ecan o , ~~endo en ambo~ CMM fa dMv~ación ti.p~ca ~guaf a 6%. Tama una mUM~ de 2 c.~gamento~ Ij dM ea c.afc.uf~ el vafo~ ~c.o p~ un ~vef de ~~g~Mc.auón a = 0,05 Ij fa ~egfa de dew~6n dej. c.o~te.

°

s

O L U

e

ION: Hipóte s is nula

H :

Wo

o

Hipótesis alternativa H : a El estadístico del contraste es: W = WQ

(j ;

n

e N (O

, 1), para

, o sea

Ac.~ptaremos

a

x - /Í~ Q

z

= 0,05;

cuando la hipotesis nula H es c ierta. o Ho' s i z es me nor que zü'

= 1,64.

z

a x - 18

Para aceptar H tiene que' ocurrir que: o

< 1,64

x < 20,20%

6;120 Luego

20,20% es el punto crítico.

La regla de decisión del contraste es: x


tM lj C.oYlUuJ.¡'¿oYleJ.>.

s

O L U

e

ION:

Suponernos: - Que las variables x .. , número de centenas de terrnó 1J

metros fabricados en un día por el operario i, con

la máquina j, son indepe ndientes.

Los operarios manejan con la misma habilidad cada

una de las cuatro marcas de máquinas.

- Que las variables x .. son

N (11..

1J

a) •

1J

Bajo estos supuestos, resolver este problema por el métodc de análisis de la varianza con dos facto res independientes de variación, consiste en contrastar simultaneamente las siguientes hipótesis: H : de igualdad de fabricación media para cada uno de 1

los cuatro operarios.

H : de igualdad de fabricación media para cada marca de 2

máquina.

Para simplificar los cálculos, restaremos a cada observación 10 unidades

o

----~UINA

A

B

1

4

-1

-3

2

2

1

3

6

-2

4

4

-2

C.

16

-4

4 64

OPERARIo--.....

J

c

j

CjoC

j

C

D

F .• f.

2

~Xij

F.

f.

-2

-2

-0,5

1

30

O

-1

2

0,5

1

6

-2

1

3

0,75

2,25

45

-4

O

-2

1

36

-9

-2

1

-1

-2,25

-0,5

4

20,25

1

I

I

1

,

89,25

1

-0,5

1

1

5,25

117

306

J.R.VIZMANOS - R.ASENSIO

x =

16

4~1

J____..

[5,25 - 1.';;-

~ =

[117 - 89,25 - 5,25 + 1. 4-1 4-1

tomado el nivel de significación

a

0,6897.

16]

0,05, se tiene que:

=

F

9 = 3,8626. Como Ff < F 5' 3 9' aceptamos la hipótesis 0,05; 3, 0,0, , H , de igualdad de medias de centenas fabricadas por cada uno de los 1 cuatro operarios. F

c

1 4-1 1 [ 117 - 89,25 - 5,25 + 4-1 1.

tomado el nivel de significación a

=

1~j

11,8587.

0,05, se tiene que:

rechazaremos la hipó­ 5 3 9 = 3,8626. Como F > F 0,0; , c 0,05; 3, 9 tesis H . 2 Podemos concluir díciendo que las marcas de las máquinas influ

F

yen significativamente en la producción.

********************

9.11

Se qtu:.eJten c.ompaJtaJl.. tAv., c.omptejo-6 vilamúUc.o-6; paJta eUo -6e ~eunen 4 c.onjunto-6 de ~ZO-6 de un año de edad. Cada niño de una 6amt.Ua dada, ~eufú_6 M aZM, uno de to¿, tAv., ~eghnenv., v-U.:anú.­ niC.O-6 dMattte do¿, año¿, C.OYl-6 ec.ut,¿vo-6. Suponiendo que .ea vaJUabte de ~v., puv.,;ta eJta et c.J1..ec.hni.ettto Ij tO-6 da,to-6 ex.p~v.,ado¿, en d~UmM de kgM. ­ tO-6 ú .gtu:.etttv.,:

COMPLEJO VITAMINICO

1 2 FAMILIA I

3 4

~eaL · 9982

.994 ) .9956 · 9967 .9976 · 9982

.9943 ,9957 ,9968 , 9977 ,9983

.9945 .9959 .9969 · 9977 ,9984

, 9946 ,9960 ,9970 · 9978 ,9984

· 9948 . 9961 .997 ) · 9979 ,9985

,9949 · 9962 , 9972 · 9979 · 9985

. 995 ) .9963 · 9973 .9980 · 9986

.9952

· 9964

· 9974

.9981

· 9986

3. 3. :). 3. 1.

.9987 . 9990 · 9993 ,9995 ,9997

.9987 , 9991 · 9993 , 9995 , 9997

· 9987 · 9991 .9994 ,9995 , 9997

.9988 ,9991 ,9994 .9996 .9997

. 9988 . 9992 . 9994 .9996 .9997

: 9989 · 9992 · 9994 · 99% ,9997

.9989 .9992 .9994 ,9996 .9997

,9989 , 9992 · 9995 .9996 · 9997

.9990 .9993 . 9995 ,9996 ,9997

· 9990

, 9993

. 9995

· 999. .9998

I . 9998

,9998

,9999

.9999

,9999

· 9999

, 9999

· 9999

. 99ge

· 9999

O 1

2

3

4

3. 6

9145 946:l 9564 9649 97) 9

5199 5596 5987 6168 6736

· · · . ·

7190 7517 7821 8106 8365

8621

8830

9015

9177

9119

TABLA

DISTRIBUCION

IV

DE PEARSON

X2

ex

~

+00

0,990

0,975

0,950

0,900

0,031 6 0,02 0,12 0,30 0,55 0,87 1,24 1,65 2,09 2,56

0,0398 0,05 0,22 0 ,48 0,83 1,24 1,69 2,18 2,70 3,25

0,0239 0, 10 0,35 0,71 1,15 1,64 2,17 2,73 3,33 3,94

0,0158 0,21 0,58 1,06 1,61 2,20 2,83 3,49 4,17 4,86

18 19 20

3;05 3,57 4,1/ 4,66 5,23 5,81 6,41 7,01 7,63 8,26

3,82 4,40 5,01 5,63 6,26 6,81 7,56 8,23 8,91 9,59

21 22 23 24 25 26 27 28 29 30

8,90 9,54 10,2 10,9 11,5 12,2 12,9 13,6 , 14,:1 15,0

I 2 3 4 5 (,

7 8 9 10 1I 12 13

/4 15 16 17

I

10,3 11,0 11,7 12,4 13,1 13,8 14.6 15 ,3 ] 6,0 16,8

0,100

0,050

0,025

0,010

2,71 4,60 6,25 7,78 9,24 10,64 12,02 13,36 14,68 15,99

3,84 5,99 7,81 9,49 1 I ,07 12,59 14,07 15,51 16,92 18,31

5,02 7,38 9,35 11,1 12,8 14,0 16,0 17,5 19,0 20,5

6,63 9,21 11,24 13,28 15,09 16,81 18,47 20,09 21,66 23,21

4,57 5,23 5,89 6,57 7,26 7,96 8,87 9 ,39 J 0,1 10,9

5,58 6,30 7,04 7,79 8,55 9 ,3l 10,08 10,86 1 I ,65 12,44

17,27 18,55 19,81 21,06 22,31 23,54 24,77 25,99 27,20 28,41

19,67 21,03 22,36 23,68 25,00 26 ,30 27,59 28,87 30,J4 31,41

21,9 23,3 24,7 26,1 27,5 28,8 30,2 3 1,3 32,9 34,2

24,72 26,22 27,69 29,14 30,58 32,00 33,41 34,80 36,19 37,57

1] ,6 ]2,3 13,1 13,8 ]4,6 15,4 16,2 16,9 17,7 18,5

] 3,24 14,04 J4,85 15,66 16,47 17,29 18,11 18,94 19,77 20,60

29,61 30,81 32,01 33,20 34,38 35,56 36,74 37,92 39,09 40,26

32,67 33,92 35,17 36,41 37,65 38,88 40,11 41 ,:14 42 ,56 43,77

35,5 36,8 38,1 39,4 40,6 41,9 43,2 44,5 45,7 47,0

38,93 40,29 4 I ,64 42,98 44,31 45,64 46,96 48,28 49,59 50,89

Cuando n es superior a 30, se utiliza la tabla de la distribución N (O , 1) (tabla 111), con:

t=l2"X,T-

hn-1

TABLA

V

DI STR 1BUC 1ON t

P (t

> ta)

=

a

-

~. • 0,90

0,80

0,70

I

a

0,05

0,02

0,01

0,40

0,30

0,20

0,10

1,963 1,386 1,250 1,190 1,156 1,134 I,J 19 1, 108 l,iOO 1,093

3,078 1,&86 1,638 1,533 1,476 1,440 1,415 1,397 J ,383 1,372

6,314 2,920 2,353 2,132 2,015 1,943 1,895 1,860 1,833 1,812

12,706

2,22~

31,821 63,657 6,965 9,925 4,541 5,841 3,747 4,604 3,365 4,032 3,143 3,707 2,998 3,499 2,896 1 3,355 3,250 2,821 2,764 3,169

I,OS8 1,363 1,083 1,356 1,079 1,350 1,076 1,345 1,341 1,074 1,337 1,071 1,069 1,333 1,067 . 1,330 1,066 1,328 I,OM 1,325

1,796 1.78 2 1,771 1,761 1,7 53 1,746 1,740 1,734 1,729 1,725

2,201 2,179 2,160 2,145 2,131 2,120 2,110 2,101 2,093 2,086

2, 713 1 3,106 2,681 , 3,055 2,650 3,012 2,624 2,977 2,602 2,957 2,5 33 2,921 2,567 2,898 2.552 i 2,878 2,539 2,861 2,523 2,845

1,72 1 1,717 1,714 1,711 1,708 1,706 1,703 1,701 1,699 1,697

2,080 2,074 2,069 2,064 2,060 2,056 2,052 2,048 2,045 2,042

2,51 8 2,508 2,500 1 2,492 , 2,485 ) 1179 ,' -,' 2,473 1,467 ! 2,4621 2'4571

1,000 0,816 0,765 0,741 0,727 0,718 0,711 0,706 0,703 0,700

1,376 1,061 0,978 0,941 0,920 0,906 0,896 0,889 O,R83 0,879

11 12 13 14 15 16 17 18 19 20

0,129 O,i28 0,128 0,128 0,128 0,128 0,128 0,12 7 0,127 0,127

0,260 0,259 0,259 0,258 0,258 0,258 0,25 7 0,257 0,257 0,257

0,540 0,539

0,392 0,392 0,392 0,391 0,391

0,5 37 0,536 0,535 0,534 0,534 0,533 0,533

0,697 0,695 0,694 0,692 0,691 0,690 0.689 0,688 0,683 0,687

0,876 0,873 0,870 0,868 0,86